本內容為【科研私家菜】R語言機器學習與臨床預測模型系列課程
R小鹽準備介紹R語言機器學習與預測模型的學習筆記
你想要的R語言學習資料都在這里， 快來收藏關注【科研私家菜】
R語言機器學習與臨床預測模型19--生存分析之Fine-Gray檢驗
01 Fine-Gray檢驗
存在競爭風險的情況下，Kaplan-Meier的方法是不準確的，因為我們不能假定如果隨訪時間足夠長，受試者將會發生感興趣的事件。累積發生率（CIF）是給定事件發生的子分布，被廣泛應用于競爭風險分析。 Fine和Gray（1999）提出的分布的比例風險模型旨在擬合感興趣事件的累積發生率。關于Fine & Gray 模型，可以參考文獻：“A Proportional Hazards Model for the Subdistribution of a Competing Risk. Jason P. Fine and Robert J. Gray,Journal of the American Statistical AssociationVol. 94, No. 446 (Jun., 1999), pp. 496-509”.
在分析某事件發生時間時，如果該事件被其他事件阻礙，即存在競爭風險。
使用R的cmprsk程輯包進項Fine-Gray檢驗與競爭風險模型。筆者認為讀者在具體應用過程中要注意兩點：
第一，有選擇性的使用Fine-Gray檢驗與競爭風險模型，如果終點事件存在競爭風險事件，而且極有可能對結論產生影響，那采用這個模型才是合適的，這個模型并非一定比Cox模型更優，這兩個模型應該互為補充；
第二，競爭風險考慮的競爭風險事件也是有限的，目前僅是把Cox模型的二分類終點擴展為三分類，即結局事件，刪失和競爭風險事件，即便如此，結果解讀也變得很困難。讀者在方法選擇的時候應該做出更充分的評估和嘗試。
# Examples
# simulated data to test
set.seed(10)
ftime <- rexp(200)
fstatus <- sample(0:2,200,replace=TRUE)
cov <- matrix(runif(600),nrow=200)
dimnames(cov)[[2]] <- c('x1','x2','x3')
print(z <- crr(ftime,fstatus,cov))
summary(z)
z.p <- predict(z,rbind(c(.1,.5,.8),c(.1,.5,.2)))
plot(z.p,lty=1,color=2:3)
crr(ftime,fstatus,cov,failcode=2)
# quadratic in time for first cov
crr(ftime,fstatus,cov,cbind(cov[,1],cov[,1]),function(Uft) cbind(Uft,Uft^2))
#additional examples in test.R
crr Package
02 模型評估
library(aod)
wt <- wald.test(mod1$var,mod1$coef,Terms = 4:6)
# Wald test:
# ----------
#
# Chi-squared test:
# X2 = 14.0, df = 3, P(> X2) = 0.0029
wald.test
Examples
data(orob2)
fm <- quasibin(cbind(y, n - y) ~ seed * root, data = orob2)
# Wald test for the effect of root
wald.test(b = coef(fm), Sigma = vcov(fm), Terms = 3:4)
關注R小鹽，關注科研私家菜(VX_GZH: SciPrivate)，有問題請聯系R小鹽。讓我們一起來學習 R語言機器學習與臨床預測模型
