为生存数据建立竞争风险回归 Nomogram 模型

这是基于竞争风险回归模型处理正常赠款的协议，在生存分析中传递交通事故等竞争事件时，是一种更为合理的应用方法。经历过我们竞争事件的个人经常会提醒风险，因为竞争风险通常不是独立的。相互竞争的正常授予更适用于评估分析中个人测试事件的概率。

安装 RMS 和竞争风险 R 包后，加载它们并导入队列数据 建立 Cox 比例危害回归模型，使用 CPH 函数将模型拟合到数据中，然后以两年预测生存率为例，开发 Cox 回归值图。使用 R 中的元包计算风险分数并绘制林图。安装和加载 R 包后，获取组风险评分或 GRS，并将组分为三个子组。

然后绘制林图，获得危险比较低的能力区间，以及CRR函数的上置置信区间。要建立竞争风险回归模型，首先将预测变量放入矩阵中。使用 Cbind 函数按列串联变量，并将它们拟合到模型中。

然后使用 nomogram 函数构造考克斯 Nome。获取基准累积事件函数或 CIF，并替换竞争风险回归模型的 X beta 和 X 点。替换 X 卷轴中的 X 总点，然后计算 X 分数并绘制 nomogram。

X分数和X轨关系的方程可以根据竞争模型的内在属性进行计算。CIF 零表示基准 CIF，由预测 CRR 函数计算。在示例队列中，共有 8，550 名符合条件的患者被纳入分析，中位随从时间是 88 个月。

肿瘤死亡的累积发生率和无肿瘤死亡及竞争事件分别采用卡普兰-迈尔法和竞争风险回归函数。用卡普兰-迈尔法计算的肿瘤死亡和无肿瘤死亡的累计发生率之和高于所有死因估计之和，这等于使用竞争方法时癌症特定死亡的累计事件。使用基于重要因素（包括婚姻状况、种族、组织学类型、分化等级、T-分类和N-分类）的考克斯比例回归模型构建了符号图。

还使用竞争风险回归模型构建了一个声像。根据风险评分，将该组分为三个子组：低风险、中风险、高风险。森林地块用于清楚地显示群体风险评分与特定因素之间的相互作用。

在考虑年龄时，只有低风险人群对年轻女性的预后较差，表明年轻女性可能作为中高风险群体的预后保护因素。在尝试此协议时，必须充分了解 10 到事件分析中的不同生存模型，并正确掌握工具以进行个性化指导。模型性能根据歧视和口径配给性能进行评估。

按照此过程，校准曲线和它们相同的间隙可以是性能，以验证竞争正常授予的效率。