הפרוטוקול שלנו מציג שיטות שונות של הערכה ותיקוף של נומוגרפיית סיכונים מתחרה; אשר לוקח בחשבון את נוכחותם של אירועים מתחרים בניתוח הישרדות. פרוטוקול זה משמש כהשלמה לחבילת רגרסיה בסיכון ב- R.כגון חישוב C-index והאימות הפנימי, בשיטת bootstrap. כדי להתחיל באפליה במדד C, הכנס את קלח המטריצה למודל הסיכון המתחרה mod CRR וקבל רכב שטח מטריצה חזוי על ידי ביצוע הפקודה.
קבל את המקרים המצטברים בחודש מסוים מ- SUV וחשב את מדד C עם הפונקציה R-core שולחת. עבור אפליית AUC, ניקוד את ביצועי החיזוי של מודל הסיכון המתחרה, באמצעות ציון הפונקציה, חבילת רגרסיה בסיכון. לאחר מכן חלץ את AUC מהציון על ידי ביצוע הפקודה.
כדי לקבל עקומות כיול עם רווח בר-סמך של 95% של מודל הסיכון המתחרה, קבל מסגרת נתונים עם המקרים המצטברים של כל פרט בזמן כשל מסוים. לאחר מכן מחלקים את הקבוצה לפי המקרים המצטברים המשוערים לחמש תת-קבוצות ומחשבים את ממוצע המקרים המצטברים החזויים של כל תת-קבוצה. חשב את המקרים המצטברים הנצפים שהם המקרים המצטברים בפועל באמצעות הפונקציה cuminc.
ולאחר מכן לקבל את המקרים המצטברים שנצפו עם רווח בר-סמך של 95% בזמן כשל מסוים על ידי ביצוע הפקודה. התווה את עקומת הכיול עם המקרים המצטברים החזויים כציר X והמקרים המצטברים הנצפים כציר Y. שימוש בתרשים הפונקציה gg.
עבור עקומת כיול עם ציוני סיכון של מודל הסיכון המתחרה, הערך כל רמה של כל המשתנים והשג את ה- RS הכולל על ידי ביצוע הפקודה. לספור את התדרים ולחשב את ההיארעות המצטברת הנצפית של ציוני הסיכון הכוללים השונים. הגדר את טווח ציר X וחשב את ההיארעות המצטברת החזויה של ציוני הסיכון הכוללים.
לאחר מכן התווה את עקומת הכיול עם ציוני סיכון על-ידי ביצוע הפקודה. כדי לקבל את ממוצע המקרים המצטברים החזויים באמצעות שיטת bootstrap, דגום מחדש את ערכת הנתונים המקורית, ערכת הנתונים עם החלף, כדי ליצור את ערכת הנתונים bootstrap. ערכת נתונים ב.
לאחר מכן להקים מודל סיכון מתחרה:mod NCRR עם ערכת הנתונים bootstrap ולהשתמש בפונקציה לחזות CRR כדי לחזות mod NCRR בלולאה B פעמים כדי ליצור SUV כל פנימה. לאחר מכן, קבל את ממוצע המקרים המצטברים החזויים בחודש מסוים. חשב את C-index באמצעות אימות צולב מרווח עם הפונקציה R-core שולח.
לצורך כיול, באמצעות אימות חיצוני, קבל את המקרים המצטברים החזויים באמצעות נתונים חיצוניים ומקרים מצטברים עם מטריצה של משתני נתונים חיצוניים:Code-X על-ידי ביצוע הפקודה. לאחר מכן חשב את C-index באמצעות אימות חיצוני על ידי ביצוע הפקודה. שתי נומוגרפיות התקבלו בשיטה הישירה ובשיטה המשוקללת, והראו כי הנקודות של כל רמה של משתנים וההסתברויות המתאימות לסך הנקודות היו כמעט זהות.
בעוד כמה הבדלים קלים נצפו. עקומת הכיול של מודל הסיכון המתחרה הייתה קרובה לקו השקילות ורווח בר-סמך של 95% של התדירות הנצפית, נפל לקו השקילות בכל קבוצה. ציון יכולת הכיול המדויקת של הדגם.
הוצגו עקומות כיול באמצעות אימות פנימי וחיצוני, מה שמצביע על כך שלמודל שנבנה הייתה יכולת כיול טובה בתיקוף הפנימי; אך גרועה בתיקוף החיצוני. התקבלו תוצאות ניתוח עקומת ההחלטה של נומוגרפיית הסיכון המתחרה. הדגמת השינויים בתועלת נטו עם הסתברות סף עולה.
דגימה מחדש של מערך הנתונים המקורי הוחלפה כדי ליצור את ערכת הנתונים bootstrap כחשובה, בביצוע האימות הפנימי של נומוגרפיית הסיכון המתחרה. מלבד שיטת bootstrap, ניתן לבצע את התצוגה האקראית ואת שיטת K4 גם כדי ליצור ערכות נתונים המשמשות לאימות פנימי. באמצעות אימות נוף מבוסס R שלנו של מודל הסיכון המתחרה, קלינאים יכולים לבצע ניתוח פרוגנוזה בעולם האמיתי בהתחשב בסיכון המתחרה ביתר קלות.
