Notre protocole présente différentes méthodes d’évaluation et de validation du nomogramme de risque concurrent, qui considère la présence d’événements concurrents dans l’analyse de survie. Ce protocole sert de complément au package de régression de risque dans R.Tels que le calcul de l’indice C et la validation interne, en utilisant la méthode bootstrap. Pour commencer la discrimination de l’indice C, insérez l’épi de la matrice dans le modèle de risque concurrent mod CRR et obtenez un SUV matriciel prédit en exécutant la commande.
Obtenez les incidences cumulées dans un certain mois à partir de SUV et calculez l’indice C avec la fonction R-core envoie. Pour la discrimination ASC, notez la performance prédictive du modèle de risque concurrent, à l’aide du score de fonction, package de régression de risque. Extrayez ensuite l’AUC de la partition en exécutant la commande.
Pour obtenir des courbes d’étalonnage avec un intervalle de confiance à 95 % du modèle de risque concurrent, obtenez une trame de données avec les incidences cumulées de chaque individu dans un certain temps de défaillance. Ensuite, divisez la cohorte en fonction des incidences cumulatives estimées en cinq sous-groupes et calculez les incidences cumulatives moyennes prévues de chaque sous-groupe. Calculez les incidences cumulatives observées, c’est-à-dire les incidences cumulatives réelles à l’aide de la fonction cuminc.
Et puis obtenez les incidences cumulatives observées avec un intervalle de confiance de 95% dans un certain temps de défaillance en exécutant la commande. Tracez la courbe d’étalonnage avec les incidences cumulatives prévues sur l’axe des X et les incidences cumulatives observées sur l’axe des Y. Utilisation de la fonction gg plot.
Pour la courbe d’étalonnage avec les scores de risque du modèle de risque concurrent, évaluez chaque niveau de toutes les variables et obtenez le RS total en exécutant la commande. Comptez les fréquences et calculez les incidences cumulatives observées des différents scores de risque totaux. Définissez la plage de l’axe des X et calculez les incidences cumulatives prévues des scores de risque totaux.
Tracez ensuite la courbe d’étalonnage avec les scores de risque en exécutant la commande. Pour obtenir les incidences cumulatives prédites moyennes à l’aide de la méthode bootstrap, rééchantillonnez le jeu de données d’origine, jeu de données avec remplacement, pour générer le jeu de données bootstrap. Jeu de données dans.
Ensuite, établissez un modèle de risque concurrent: mod NCRR avec le jeu de données bootstrap et utilisez la fonction predict CRR pour prédire mod NCRR dans la boucle B fois pour générer SUV all in. Ensuite, obtenez la moyenne des incidences cumulatives prévues au cours d’un certain mois. Calculez l’indice C en utilisant la validation croisée par intervalles avec la fonction R-core sends.
Pour l’étalonnage, à l’aide de la validation externe, obtenez les incidences cumulatives prévues à l’aide de données externes et les incidences cumulées avec la matrice des variables de données externes:Code-X en exécutant la commande. Calculez ensuite l’indice C en utilisant une validation externe en exécutant la commande. Deux nomogrammes ont été obtenus en utilisant la méthode directe et la méthode pondérée, démontrant que les points de chaque niveau de variables et les probabilités correspondant au total des points étaient presque les mêmes.
Bien que de légères différences aient été observées. La courbe d’étalonnage du modèle de risque concurrent était proche de la droite d’équivalence et l’intervalle de confiance à 95 % de la fréquence observée tombait dans la droite d’équivalence dans chaque groupe. Indiquant la capacité d’étalonnage précise du modèle.
Des courbes d’étalonnage utilisant la validation interne et externe ont été montrées, indiquant que le modèle construit avait une bonne capacité d’étalonnage dans la validation interne, mais une faible capacité dans la validation externe. Les résultats de l’analyse de la courbe de décision du nomogramme de risque concurrent ont été obtenus. Démontrer les changements dans l’avantage net avec une probabilité seuil croissante.
Le rééchantillonnage de l’ensemble de données d’origine a été remplacé pour générer l’ensemble de données bootstrap comme étant important pour effectuer la validation interne du nomogramme de risque concurrent. Outre la méthode bootstrap, l’affichage aléatoire et la méthode K4 peuvent également être effectués pour générer des ensembles de données utilisés pour la validation interne. En utilisant notre validation du paysage basée sur R du modèle de risque concurrent, les cliniciens peuvent effectuer plus facilement une analyse pronostique dans le monde réel en tenant compte du risque concurrent.
