predict.coxph() 和 survC1::Est.Cval -- predict() 输出的类型

Question

给定一个 coxph() 模型，我想使用 predict() 预测危害，然后使用 survC1::Est.Cval( . . . nofit=TRUE) 获得模型的 c 值。

Est.Cval() 文档相当简洁，但是说 "nofit=TRUE: If TRUE, the 3rd column of mydata is used as the risk score directly in calculation of C."

假设，为了简单起见，我想对构建模型所依据的相同数据进行预测。对于

coxModel 来自 coxph() 的 Cox 回归模型；
time 时间向量（正实数），与 coxModel 建立的时间相同；和
event event/censor 指标的 0/1 向量，相同长度，coxModel 建立的相同事件 --

这是否表明我想要

predictions <- predict(coxModel, type="risk")

dd <- cbind(time, event, pred)

Est.Cval(mydata=dd, tau=tau, nofit=TRUE)

或者第一行应该是

predictions <- predict(coxModel, type="lp")

?

感谢您的帮助，

Answer 1

答案是没关系.

基本上，对于所有可比较的时间对（事件和检查员），一致性值正在测试较晚的时间具有较低风险的可能性（对于一个非常好的模型，几乎总是如此）。但由于 e^u 是真实 u 的单调函数，而 c-value 只是测试比较，所以是否提供风险比无关紧要， e^(sum{\beta_i x_i}), 或线性预测器, sum{\beta_i x_i}.

由于@42 激励我提出一个最小的工作示例，我们可以对其进行测试。我们将比较 Est.Cval() 使用一种输入与使用另一种输入提供的值；我们可以将两者与我们从 coxph().

获得的值进行比较

(最后一个值不会完全匹配，因为 Est.Cval() 使用 Uno 等人 2011 年的方法 (Uno, H., Cai, T., Pencina, M. J., D'Agostino, R. B. & Wei, L. J. On the C-statistics for evaluating overall adequacy of risk prediction procedures with censored survival data. Statist. Med. 30, 1105–1117 (2011), https://onlinelibrary.wiley.com/doi/full/10.1002/sim.4154) 但它可以作为完整性检查，因为值应该接近。）

以下基于使用 R 进行生存分析，2017 年 9 月 25 日，作者 Joseph Rickert，https://rviews.rstudio.com/2017/09/25/survival-analysis-with-r/。

library("survival")
library("survC1")

# Load dataset included with survival package
data("veteran")
# The variable `time` records survival time; `status` indicates whether the 
# patient’s death was observed (status=1) or that survival time was censored 
# (status = 0). 

# The model they build in the example:
coxModel <- coxph(Surv(time, status) ~ trt + celltype + karno + diagtime + 
    age + prior, data=veteran)

# The results
summary(coxModel)

注意它给我们的c-score：

Concordance= 0.736  (se = 0.021 )

现在，我们计算 Est.Cval() 给出的 c-score 两种类型的值：

# The value from Est.Cval(), using a risk input
cvalByRisk <- Est.Cval(mydata=cbind(time=veteran$time, event=veteran$status, 
  predictions=predict(object=coxModel, newdata=veteran, type="risk")), 
  tau=2000, nofit=TRUE)

# The value from Est.Cval(), using a linear predictor input
cvalByLp <- Est.Cval(mydata=cbind(time=veteran$time, event=veteran$status, 
  predictions=predict(object=coxModel, newdata=veteran, type="lp")), 
  tau=2000, nofit=TRUE)

和我们比较结果：

cvalByRisk$Dhat
[1] 0.7282348
cvalByLp$Dhat
[1] 0.7282348

predict.coxph() 和 survC1::Est.Cval -- predict() 输出的类型

predict.coxph() and survC1::Est.Cval -- type for predict() output

r

survival-analysis

cox-regression