竞争风险模型的基于 R 的景观验证

我们的协议提出了评估和验证竞争风险列线图的不同方法;该方法考虑了生存分析中竞争事件的存在。该协议作为R中风险回归包的补充，例如使用引导方法计算C指数和内部验证。要开始进行 C 指数判别，请将矩阵棒拟合到竞争风险模型 mod CRR 中，并通过执行命令获得预测矩阵 SUV。

从 SUV 获取某个月份的累计发病率，并使用 R 核心发送的函数计算 C 指数。对于 AUC 判别，使用函数评分、风险回归包对竞争风险模型的预测性能进行评分。然后通过执行命令从分数中提取 AUC。

要获得竞争风险模型置信区间为 95% 的校准曲线，请获取包含每个人在特定故障时间内累积发生率的数据框。然后根据估计的累积发病率将队列划分为五个子组，并计算每个子组的平均预测累积发病率。使用函数 cuminc 计算观察到的累积发生率，即实际累积发生率。

然后通过执行命令，在一定的失效时间内获得具有95%置信区间的观测累积发生率。绘制校准曲线，预测的累积发生率为 X 轴，观测的累积发生率为 Y 轴。使用函数 gg 图。

对于具有竞争风险模型风险评分的校准曲线，评估所有变量的每个水平，并通过执行命令获得总 RS。计算频率并计算观察到的不同总风险评分的累积发生率。设置 X 轴的范围并计算总风险评分的预测累积发生率。

然后通过执行命令绘制带有风险评分的校准曲线。要使用引导方法获取平均预测的累积发生率，请对原始数据集（带有替换的数据集）重新采样，以生成引导数据集。数据集。

然后建立一个竞争风险模型：mod NCRR与自举数据集，并使用函数预测CRR预测循环B时间中的mod NCRR，以生成SUV全部。接下来，获取某个月的平均预测累积发生率。使用区间交叉验证和函数 R 核心发送来计算 C 指数。

对于校准，使用外部验证，通过执行命令，使用外部数据获取预测的累积发生率，并使用外部数据变量矩阵 Code-X 获取累积发生率。然后通过执行命令使用外部验证计算 C 指数。使用直接法和加权法获得了两个列线图，表明每个变量水平的点和总点对应的概率几乎相同。

虽然观察到一些细微的差异。竞争风险模型的校准曲线接近等价线，观测频率的95%置信区间在每组中落入等价线。指示模型的准确校准能力。

给出了内外部验证的标定曲线，表明所构建模型在内部验证中具有良好的标定能力，但在外部验证中标定能力较差。得到了竞争风险列线图的决策曲线分析结果。证明净收益随阈值概率的增加而变化。

替换了对原始数据集进行重新采样以生成引导数据集，这在执行竞争风险列线图的内部验证时同样重要。除了自举方法外，还可以执行随机显示和K4方法以生成用于内部验证的数据集。使用我们基于R的竞争风险模型景观验证，临床医生可以在现实世界中更轻松地考虑竞争风险进行预后分析。