Nosso protocolo apresenta diferentes métodos de avaliação e validação de nomograma de risco competitivo, que considera a presença de eventos competitivos na análise de sobrevida. Este protocolo serve como um complemento ao pacote de regressão de risco em R.Tal como o cálculo do índice C e a validação interna, usando o método bootstrap. Para começar pela discriminação do índice C, ajuste a espiga da matriz no modelo de risco concorrente mod CRR e obtenha um SUV de matriz prevista executando o comando.

Obtenha as incidências acumuladas em um determinado mês do SUV e calcule o índice C com a função R-core envia. Para a discriminação da AUC, escore o desempenho preditivo do modelo de risco competitivo, usando o escore de função, pacote de regressão de risco. Em seguida, extraia a AUC da pontuação executando o comando.

Para obter curvas de calibração com intervalo de confiança de 95% do modelo de risco concorrente, obtenha-se um quadro de dados com as incidências cumulativas de cada indivíduo em um determinado tempo de falha. Em seguida, divida a coorte de acordo com as incidências cumulativas estimadas em cinco subgrupos e calcule as incidências cumulativas médias previstas de cada subgrupo. Calcule as incidências cumulativas observadas, ou seja, as incidências cumulativas reais usando a função cuminc.

E, em seguida, obtenha as incidências cumulativas observadas com um intervalo de confiança de 95% em um determinado tempo de falha executando o comando. Plotar a curva de calibração com as incidências cumulativas previstas como o eixo X e as incidências cumulativas observadas como o eixo Y. Usando a função gg plot.

Para curva de calibração com escores de risco do modelo de risco concorrente, avalie cada nível de todas as variáveis e obtenha o RS total executando o comando. Contar as frequências e calcular as incidências cumulativas observadas dos diferentes escores de risco total. Defina o intervalo do eixo X e calcule as incidências cumulativas previstas dos escores de risco totais.

Em seguida, plote a curva de calibração com pontuações de risco executando o comando. Para obter as incidências cumulativas médias previstas usando o método bootstrap, faça uma nova amostra do conjunto de dados original, conjunto de dados com substituição, para gerar o conjunto de dados bootstrap. Conjunto de dados em.

Em seguida, estabeleça um modelo de risco concorrente:mod NCRR com o conjunto de dados bootstrap e use a função predict CRR para prever mod NCRR em tempos de loop B para gerar SUV all in. Em seguida, obtenha a média de incidências acumuladas previstas em um determinado mês. Calcule o índice C usando validação cruzada de intervalo com a função R-core envia.

Para calibração, usando validação externa, obtenha as incidências cumulativas previstas usando dados externos e incidências cumulativas com a matriz de variáveis de dados externos:Code-X executando o comando. Em seguida, calcule o índice C usando validação externa executando o comando. Foram obtidos dois nomogramas pelo método direto e pelo método ponderado, demonstrando que os pontos de cada nível das variáveis e as probabilidades correspondentes ao total de pontos foram praticamente os mesmos.

Enquanto algumas pequenas diferenças foram observadas. A curva de calibração para o modelo de risco competitivo aproximou-se da linha de equivalência e o intervalo de confiança de 95% da frequência observada situou-se na linha de equivalência em cada grupo. Indicando a capacidade de calibração precisa do modelo.

Curvas de calibração por validação interna e externa foram apresentadas, indicando que o modelo construído apresentou boa capacidade de calibração na validação interna, mas pobre na validação externa. Os resultados da análise da curva de decisão do nomograma de risco competitivo foram obtidos. Demonstrar as mudanças no benefício líquido com probabilidade de limiar crescente.

A reamostragem do conjunto de dados original foi substituída para gerar o conjunto de dados bootstrap como importante na realização da validação interna do nomograma de risco concorrente. Além do método bootstrap, o método de exibição aleatória e o método K4 também podem ser realizados para gerar conjuntos de dados utilizados para validação interna. Usando nossa validação de paisagem baseada em R do modelo de risco competitivo, os médicos podem realizar uma análise de prognóstico no mundo real, considerando o risco competitivo mais facilmente.