Rakip Risk Modelinin R Tabanlı Peyzaj Doğrulaması

Protokolümüz, hayatta kalma analizinde rakip olayların varlığını dikkate alan rakip risk nomogramının değerlendirilmesi ve doğrulanması için farklı yöntemler sunmaktadır. Bu protokol, R.Like içindeki risk regresyon paketine, C-indeksinin hesaplanması ve bootstrap yöntemi kullanılarak dahili doğrulama gibi bir ek görevi görür. C-indeksi ayrımcılığına başlamak için, matris koçanını rakip risk modeli mod CRR'ye sığdırın ve komutu yürüterek tahmin edilen bir matris SUV elde edin.

SUV'dan belirli bir aydaki kümülatif olayları alın ve R-core gönderdiği fonksiyonla C-endeksini hesaplayın. AUC ayrımcılığı için, işlev puanını, risk regresyon paketini kullanarak rakip risk modelinin tahmine dayalı performansını puanlayın. Ardından komutu yürüterek AUC'yi puandan çıkarın.

Rakip risk modelinin %95 güven aralığına sahip kalibrasyon eğrileri elde etmek için, her bireyin belirli bir arıza süresindeki kümülatif insidanslarını içeren bir veri çerçevesi elde edin. Ardından, kohortu tahmini kümülatif insidanslara göre beş alt gruba ayırın ve her bir alt grubun ortalama öngörülen kümülatif insidanslarını hesaplayın. Gözlenen kümülatif insidansları, yani cuminc fonksiyonunu kullanarak gerçek kümülatif insidansları hesaplayın.

Ardından, komutu yürüterek belirli bir hata süresinde% 95'lik bir güven aralığıyla gözlemlenen kümülatif olayları elde edin. Kalibrasyon eğrisini, X ekseni olarak tahmin edilen kümülatif insidanslarla ve Y ekseni olarak gözlemlenen kümülatif insidanslarla çizin. gg grafiği işlevini kullanarak.

Rakip risk modelinin risk puanlarını içeren kalibrasyon eğrisi için, tüm değişkenlerin her seviyesini değerlendirin ve komutu yürüterek toplam RS'yi elde edin. Frekansları sayın ve farklı toplam risk puanlarının gözlemlenen kümülatif insidanslarını hesaplayın. X ekseninin aralığını ayarlayın ve toplam risk puanlarının tahmin edilen kümülatif insidanslarını hesaplayın.

Ardından, komutu yürüterek kalibrasyon eğrisini risk puanlarıyla çizin. Bootstrap yöntemini kullanarak ortalama tahmin edilen kümülatif olayları elde etmek için, bootstrap veri kümesini oluşturmak üzere özgün veri kümesini (rechange ile veri kümesi) yeniden örnekleyin. Veri kümesi içinde.

Ardından, bootstrap veri kümesiyle rakip bir risk modeli: mod NCRR oluşturun ve SUV üretmek için döngü B zamanlarında mod NCRR'yi tahmin etmek için CRR'yi tahmin et işlevini kullanın. Ardından, belirli bir ayda ortalama tahmin edilen kümülatif olayları alın. R-core gönderir fonksiyonuyla aralık çapraz doğrulamasını kullanarak C-endeksini hesaplayın.

Kalibrasyon için, harici doğrulama kullanarak, komutu yürüterek harici verileri ve harici veri değişkenleri matrisi ile kümülatif olayları kullanarak tahmin edilen kümülatif olayları alın:Code-X. Ardından, komutu yürüterek harici doğrulamayı kullanarak C-indeksini hesaplayın. Doğrudan yöntem ve ağırlıklı yöntem kullanılarak iki nomogram elde edildi ve her değişken seviyesinin noktalarının ve toplam noktalara karşılık gelen olasılıkların neredeyse aynı olduğunu gösterdi.

Bazı küçük farklılıklar gözlenirken. Rakip risk modeli için kalibrasyon eğrisi eşdeğerlik çizgisine yakındı ve gözlemlenen frekansın %95 güven aralığı her grupta eşdeğerlik çizgisine düştü. Modelin doğru kalibrasyon yeteneğini gösterir.

İç ve dış doğrulamayı kullanan kalibrasyon eğrileri gösterildi, bu da inşa edilen modelin dahili doğrulamada iyi bir kalibrasyon kabiliyetine sahip olduğunu, ancak harici doğrulamada zayıf olduğunu gösterdi. Rakip risk nomogramının karar eğrisi analizi sonuçları elde edilmiştir. Net faydadaki değişikliklerin artan eşik olasılığı ile gösterilmesi.

Orijinal veri kümesinin yeniden örneklenmesi, rakip risk nomogramının dahili doğrulamasının gerçekleştirilmesinde önemli olan bootstrap veri kümesini oluşturmak için değiştirildi. Bootstrap yönteminin yanı sıra, dahili doğrulama için kullanılan veri kümelerini oluşturmak için rastgele görüntüleme ve K4 yöntemi de gerçekleştirilebilir. Rakip risk modelinin R tabanlı peyzaj doğrulamasını kullanarak, klinisyenler rakip riski daha kolay göz önünde bulundurarak gerçek dünyada bir prognoz analizi yapabilirler.