视频：Cox回归预测模型：模型的验证——决策曲线
今天将介绍如何使用临床决策曲线（Clinical decision curve）来验证Cox回归模型。临床决策曲线能够评估Cox回归模型的临床实用性及决策效益，是验证预测模型临床应用价值的重要工具。接下来，我们将详细演示如何用R语言绘制临床决策曲线。
1、原始数据
第1列的num.为受试者编号；第2列的os_status，为生存状态，0为删失，1为死亡；第3列的os_time，为生存时间；第4列的characteristic1，是连续性变量；第5列的characteristic2，是二分类变量；第6列的characteristic3，是三分类变量。
2、安装所需要的R包
install.packages("dcurves")
install.packages("foreign")
install.packages("survival")
install.packages("dplyr")
install.packages("readr")3、加载所需要的R包
library(dcurves) library(foreign) library(survival) library(dplyr) library(readr)
4、读取数据
引号内为数据路径。
data<-read_csv("C:/Users/Lenovo/Desktop/COX/data.csv")5、分类变量处理成factor
data$characteristic2<-factor(data$characteristic2) data$characteristic3<-factor(data$characteristic3)
6、建立Cox回归方程
使用 survival 包中的 coxph 函数，建立一个Cox比例风险模型。模型使用 data 数据框，并以 os_time（生存时间）和 os_status（事件发生状态）为基础，建模 characteristic1，characteristic2 和 characteristic3 对生存时间的影响。
f<-coxph(Surv(os_time,os_status)~characteristic1+ characteristic2+characteristic3,data)
7、分别计算12个月和18个月的死亡概率
data$pr_f12=c(1-(summary(survfit(f,newdata=data),times=12)$surv)) data$pr_f18=c(1-(summary(survfit(f,newdata=data),times=18)$surv))
8、画出12个月的决策曲线
首先使用 dca 函数计算决策曲线，其中考虑的是模型在12个月时的预测风险 (pr_f12)。阈值从0.01到0.50。然后使用管道操作符 %>% 传递 dca 函数的结果至 plot 函数以绘制曲线，smooth = T 参数用于使曲线平滑。
dca(Surv(os_time,os_status)~pr_f12, data=data, time=12, thresholds=1:50/100)%>% plot(smooth=T)
9、画出18个月的决策曲线
dca(Surv(os_time,os_status)~pr_f18, data=data, time=18, thresholds=1:50/100)%>% plot(smooth=T)
10、最后，点击"Export"可以将图片以jpg或者PDF的格式输出，"+"号图标按钮可以将图片放大。箭头可以向前或者向后翻看绘好的图片。
