来自：一只勤奋的科研喵

模型构建完成后需要对模型进行评估和验证其性能。模型预测的生存率与实际的差距有多大呢？一般是看校准曲线。

例：一个模型（其C指数为0.8）评估某位患者5年复发率为70%。说明该模型有80%的把握确认复发率=70%。那70%这个数与实际相差有多大呢，那就需要看校准曲线了。

从这个例子可以看出，C指数或AUC值是判断模型的区分能力的，即有多大把握预测复发率为70%，而校准曲线是看与预测与实际相符程度的，即预测的这个70%复发率与实际复发率有多大差别。

---

1.png Nomograms to Predict Recurrence-Free and Overall Survival After Curative Resection of Adrenocortical Carcinoma

统计学方法部分，一般是介绍校准曲线的目的、使用方法和抽样次数等；

在汇报结果时：描述校准曲线时应围绕精确性和一致性展开，以此来说明模型的预测性能很好。

载入R包和数据: https://t.1yb.co/ncpr

#1.r包
library(rms)

#2.载入数据，status=0为复发
rm(list = ls()) #清理环境
aa<- read.csv('校准曲线.CSV')
names(aa)

#3.数据转换
#用for循环将本例中第4-9个变量批量转为分类
for (i in names(aa)[c(4:9)]){aa[,i] <- as.factor(aa[,i])}

1、设置数据环境

nomo<-datadist(aa)
options(datadist='nomo')

2、构建列线图的Cox回归模型

nomo1 <- cph(Surv(time,status==0)~age+n+hr+her2+g+rt,
             x=T,y=T,
             data=aa,
             surv=T,
             time.inc=12*5#示例数据time=月所以12*5就是评估5年的校准曲线
             )#这里的time.inc一定要与下面画校准曲线的函数一致，不然图会出错！

3、模型校准曲线绘制

p<- calibrate(nomo1,#模型名称
              cmethod='KM',
              method='boot',#检测方法
              u=12*5,#评估的时间，注：一定要与模型的时间一致
              m=1500, #每次抽样的样本量，
              B=1000)#抽样次数
 #注，m值的确定：m=数据总数/3-4,即你想让最终的校准曲线有3个点，那就是m=数据总数/3
      #B值一般1000，电脑配置不好可以选500,300,100等
plot(p,
     add=F,#增加第二条线
     conf.int=T,#95%CI
     subtitles = T,#副标题
     cex.subtitles=0.8, #副标题大小
     lwd=2,#95%CI粗细
     lty=1,#95%CI实线，2=虚线
     errbar.col="blue",#95%CI颜色
     xlim=c(0.0,1),#x轴范围
     ylim=c(0.0,1),
     xlab="列线图预测的5年OS",
     ylab="实际5年OS",
     col="red")#曲线颜色

4.png

4、校准曲线美化

plot(p,
     add=F,
     conf.int=T,#95%CI（蓝色线）
     subtitles = F,#关闭副标题
     cex.subtitles=0.8, 
     lwd=2,
     lty=1,
     errbar.col="blue",
     xlim=c(0.25,0.4),#调节x.y轴刻度范围
     ylim=c(0.25,0.4),
     xlab="列线图预测的5年OS",
     ylab="实际5年OS",
     col="red")

5.png

5. 3年和5年校准曲线画在一张图上

• plot( )里add=T。

• 将2/3步中模型和校准的时间均设定为12*3，

• 修改一下颜色以作区别。

• 调整x.y刻度范围使两曲线合适显示

plot(p,
     add=T,
     conf.int=T,
     subtitles = F,
     cex.subtitles=0.8, 
     lwd=2,
     lty=1,
     errbar.col="orange",
     xlim=c(0.25,0.7),
     ylim=c(0.25,0.7),
     xlab="列线图预测的3年和5年OS",
     ylab="实际3年和5年OS",
     col="#407600")
#加上图例
legend("bottomright", legend=c("5年", "3年"), col=c("red", "407600"), lwd=2)
#调整对角线
abline(0,1,lty=3,lwd=1,col="grey")

7.png

注意：本例由于数据量大，95%CI小，再加上患者死亡率较低，两个曲线分布差异有点大。所以强行将两曲线放在一个图里并不十分美观。
这里只是做一个简单的示例，大家根据自己实际需要自行选择。

文章数据链接：https://t.1yb.co/ncq0