Logistic、Cox生存分析结果如何可视化？用Nomogram肯定没问题
点击蓝字 关注我们
小伙伴们大家好啊，大海哥之前分享过KM曲线图之后，有的小伙伴就问，Cox生存分析只用这个KM曲线展示不能够展示各个变量的表达趋势，有没有能够展示各个变量对于生存概率的作用展示的图，答案一定是有的，大海哥今天准备了一个Nomogram图分析案例给大家解疑答惑，不知道是啥？别着急，大海哥给你介绍一二。
Nomogram，也被称为诺莫图或者列线图，最早由爱尔兰数学家和工程师Joseph Fry于1885年发明，并且在20世纪上半叶得到广泛的使用。该图由一系列平行线段和轴线组成，每个线段表示一个特定变量。它被广泛应用于医学、统计学、生物学、环境科学等领域，用于预测风险、评估患者疾病风险、制定决策等，在医学领域的期刊出现频率也越来越多，常用于预测模型结果可视化和解释，它是一种直观而有效的工具，用于将复杂的预测模型转化为易于理解和使用的简单图表。正是由于Nomogram图能够将预测模型中的各个变量的影响程度可视化，并通过简单的几何形状展示各个变量之间的相对权重，所以我们一般都用其对Logistic回归或Cox回归的结果进行可视化呈现。
本次分析，大海哥就用TCGA-STAD胃癌临床数据来展开今天的分析，首先我们对数据进行一些简单的处理，使得其呈现下图这个格式
处理完后，我们开始我们的代码部分：
# 载入R包library(rms)library(survival)# 读取LIHC数据STAD <- read.table("TCGA-STAD.txt",header=TRUE,sep= "t")head(STAD)
#注意数据的规范，必须是数值型数据或者分类型数据，不然是没办法开始分析的！#关键步骤：按照nomogram要求“打包”数据#可以输入??datadist查看详细说明#这一步是必须的哦！因为绘制nomogram图对于数据的格式有特殊要求，所以必须用其指定的datadist函数对数据进行处理，如果想只针对几个变量做处理，那就把变量名写进去就好了，例如这样ddist <- datadist(age, sex, Grade)dd=datadist(STAD)options(datadist="dd")#构建逻辑回归模型f1 <- lrm(Status ~ Age + Sex + Grade , data = STAD)#还可以使用fun.at属性指定结果范围区间，例如fun.at=c(.001, .01, .05, seq(.1,.9, by=.1), .95, .99, .999),有需要的小伙伴自行添加nom <- nomogram(f1, fun=plogis, lp=F, funlabel="Risk")#然后看看可视化结果吧！plot(nom)
#Cox回归模型相对来说要麻烦一点点，因为还需要涉及到不同时间点（3年、5年等等），那大海哥也准备了对应的代码教程，接下来就先构建COX回归模型然后进行可视化吧！#COX回归模型绘制Nomogram有两种方式，这里先展示COX回归中位生存时间的Nomogram## 构建COX比例风险模型f2 <- psm(Surv(OS,Status) ~ Age+Gender+Grade,data = STAD, dist='lognormal')med <- Quantile(f2) # 计算中位生存时间surv <- Survival(f2) # 构建生存概率函数## 绘制COX回归中位生存时间的Nomogram图nom <- nomogram(f2, fun=function(x) med(lp=x),funlabel="Median Survival Time")plot(nom)
下面简单说下Nomogram怎么看？欲知年龄30岁的女性（sex=FEMALE）的生存概率，首先确定患者年龄为30岁，那就在列线图年龄为30岁的地方向上画一条垂直线，即可得到其对应的Points；女性，则在女性的地方画一条垂直线，以此类推，找出每个变量状态下对应的得分，相加得到总得分。
最后将患者的总得分再向下画一条垂直线，将此数值在Total points轴上向生存时间概率轴投射，就可以知道该患者对应的中位生存时间啦！
下面例子也一样，可以知道未来1年、5年的生存率，当然也可以是其他时间节点
#绘制COX回归生存概率的Nomogram图## STAD数据的time是以”天“为单位,此处绘制1年，3年的生存概率nom <- nomogram(f2, fun=list(function(x) surv(365, x),function(x) surv(1080, x),function(x) med(lp=x)),funlabel=c("1-year Survival Probability", "3-year Survival Probability","Median Survival Time"))plot(nom, xfrac=.2)
当然除了大海哥计算的1年和3年，大家也可以计算其他时间节点的生存率，同样加到list中即可，非常方便。总结一下Nomogram图，一共就五个基本元素包括：
轴：通常包含水平和垂直轴，每个轴表示模型中的一个预测变量。水平轴通常用于表示连续变量，而垂直轴通常用于表示分类变量。
刻度：每个轴上会有标记和刻度，用于显示变量的取值范围。
线：Nomogram图上会有一系列连接线，将各个变量的取值连接在一起。
点：每个变量的取值会用一个点在相应的轴上标记出来。
得分轴：Nomogram图的一侧通常会有一个额外的轴，用于显示最终预测结果的得分。
而Nomogram图的优点在于它能够直观地展示预测模型的效果，让非专业人士也能够轻松理解和使用预测结果。而且使用相对风险的指标（OR、HR）等统计之余，还可以结合列线图展示，能够起到预测生存概率的作用。总结而言它可以用于临床预测模型、风险评估、生存分析等领域，帮助医生、研究人员和决策者做出更好的决策。举例来说，一个医学Nomogram图可以用来评估患者的心血管疾病风险。在图上，横轴可能表示年龄，纵轴可能表示胆固醇水平，平行线段连接着这些变量，并标记着相应的数值。当医生知道患者的年龄和胆固醇水平时，只需在图上对应的线段交汇处，即可找到该患者的心血管疾病风险等级。
So，如此优秀的一种作图方式，屏幕前的你没有掌握的话岂不是说不过去？快快拿手头上的临床数据动手试一试吧！