Nuestro protocolo presenta diferentes métodos de evaluación y validación del nomograma de riesgo competitivo; que considera la presencia de eventos competitivos en el análisis de supervivencia. Este protocolo sirve como complemento al paquete de regresión de riesgo en R.Como el cálculo del índice C y la validación interna, utilizando el método bootstrap. Para comenzar con la discriminación de índice C, ajuste la mazorca de matriz en el modelo de riesgo competidor mod CRR y obtenga un SUV de matriz predicho ejecutando el comando.
Obtenga las incidencias acumuladas en un mes determinado de SUV y calcule el índice C con la función R-core envía. Para la discriminación AUC, puntúe el rendimiento predictivo del modelo de riesgo competidor, utilizando la puntuación de la función, paquete de regresión de riesgo. A continuación, extraiga el AUC de la partitura ejecutando el comando.
Para obtener curvas de calibración con un intervalo de confianza del 95% del modelo de riesgo competidor, obtenga un marco de datos con las incidencias acumuladas de cada individuo en un determinado tiempo de fallo. Luego divida la cohorte de acuerdo con las incidencias acumuladas estimadas en cinco subgrupos y calcule las incidencias acumuladas promedio pronosticadas de cada subgrupo. Calcule las incidencias acumuladas observadas, es decir, las incidencias acumuladas reales utilizando la función cuminc.
Y luego obtenga las incidencias acumuladas observadas con un intervalo de confianza del 95% en un cierto tiempo de falla ejecutando el comando. Trazar la curva de calibración con las incidencias acumuladas previstas como eje X y las incidencias acumuladas observadas como eje Y. Usando la función gg plot.
Para la curva de calibración con puntuaciones de riesgo del modelo de riesgo competidor, valore cada nivel de todas las variables y obtenga el RS total ejecutando el comando. Contar las frecuencias y calcular las incidencias acumuladas observadas de las diferentes puntuaciones totales de riesgo. Establezca el rango del eje X y calcule las incidencias acumuladas previstas de las puntuaciones de riesgo totales.
A continuación, trace la curva de calibración con puntuaciones de riesgo ejecutando el comando. Para obtener el promedio de incidencias acumuladas previstas utilizando el método bootstrap, vuelva a muestrear el conjunto de datos original, dataset with replace, para generar el dataset bootstrap. Conjunto de datos en.
Luego establezca un modelo de riesgo competitivo: mod NCRR con el conjunto de datos de arranque y use la función predict CRR para predecir mod NCRR en tiempos de bucle B para generar SUV all in. A continuación, obtenga el promedio de incidencias acumuladas pronosticadas en un mes determinado. Calcule el índice C utilizando la validación cruzada de intervalos con la función R-core sends.
Para la calibración, utilizando validación externa, obtenga las incidencias acumuladas predichas utilizando datos externos e incidencias acumuladas con la matriz de variables de datos externos: Code-X ejecutando el comando. A continuación, calcule el índice C utilizando la validación externa ejecutando el comando. Se obtuvieron dos nomogramas utilizando el método directo y el método ponderado, demostrando que los puntos de cada nivel de variables y las probabilidades correspondientes a los puntos totales eran casi los mismos.
Mientras que se observaron algunas ligeras diferencias. La curva de calibración para el modelo de riesgo competidor estaba cerca de la línea de equivalencia y el intervalo de confianza del 95% de la frecuencia observada, cayó en la línea de equivalencia en cada grupo. Indicando la capacidad de calibración precisa del modelo.
Se mostraron curvas de calibración utilizando validación interna y externa, indicando que el modelo construido tenía una buena capacidad de calibración en la validación interna, pero una pobre en la validación externa. Se obtuvieron los resultados del análisis de la curva de decisión del nomograma de riesgo competidor. Demostrar los cambios en el beneficio neto con el aumento de la probabilidad umbral.
El remuestreo del conjunto de datos original se reemplazó para generar el conjunto de datos de arranque como importante, al realizar la validación interna del nomograma de riesgo competidor. Además del método bootstrap, la visualización aleatoria y el método K4 también se pueden realizar para generar conjuntos de datos utilizados para la validación interna. Utilizando nuestra validación del panorama basado en R del modelo de riesgo competitivo, los médicos pueden realizar un análisis de pronóstico en el mundo real considerando el riesgo competitivo más fácilmente.
