R语言VRPM包绘制多种模型的彩色列线图

列线图，又称诺莫图（Nomogram），它是建立在回归分析的基础上，使用多个临床指标或者生物属性，然后采用带有分数高低的线段，从而达到设置的目的：基于多个变量的值预测一定的临床结局或者某类事件发生的概率。列线图(Nomogram)可以用于多指标联合诊断或预测疾病发病或进展。

近些年来在高质量SCI临床论文中用的越来越多。列线图将回归模型转换成了可以直观的视图，让结果更容易判断，具有可读性，例如：

咱们既往已经多篇文章介绍绘制列线图，今天咱们来介绍一下VRPM包绘制彩色列线图，这个包可以绘制多个模型的列线图，咱们一一来介绍。

首先VRPM包已经在R官方下架，不能直接安装，咱们可以

r 复制代码

install.packages("devtools")  # 安装devtools包
devtools::install_github("nanxstats/VRPM")  # 安装VRPM包

或者在我的公众号吧这个包下载下来（公众号回复：VRPM包），手动安装

如果遇到下面报错的话，表明'fields', 'R2HTML'这两个包的版本不合适，

咱们需要把'fields', 'R2HTML'这两个包从新安装一下，然后再次安装就可以了

安装好VRPM包后咱们就可以开始了，先导入R包

r 复制代码

library(VRPM)
library(survival)

设置好咱们的目录，这样有个好处，VRPM包是直接把图片保存到默认目录的，这样你比较好找

r 复制代码

setwd("E:/公众号文章2023年/VRPM包绘制彩色评分图")

导入数据，把分类变量转成因子

r 复制代码

mydata <- read.csv("mydata.csv")

这是很简单的数据，admit是个分类的结局变量，其他的是协变量,（公众号回复：列线图数据，可以获得这个数据。）

把分类变量转成因子

r 复制代码

mydata$rank <- factor(mydata$rank)

建立模型，先来个逻辑回归的

r 复制代码

fit <- glm(admit ~ gre + gpa + rank, data = mydata, family = "binomial")

绘制列线图

r 复制代码

colplot(fit)

绘图后并不在R界面生成我们需要在默认目录下找，就是刚才咱们设置的目录

("E:/公众号文章2023年/VRPM包绘制彩色评分图")

这样一个彩色列线图就生成了，根据颜色深浅表示了危险程度。咱们还可以对颜色进行一些修改

r 复制代码

colplot(fit,coloroptions=1)

r 复制代码

colplot(fit,coloroptions=3)

接下来咱们来个cox回归的，使用的是mfp包自带的数据

r 复制代码

library(mfp)
data(GBSG)

数据中的rfst是生存时间，cens是结局变量，其他的是协变量

建立模型

r 复制代码

fit<-coxph(Surv(rfst, cens) ~ age+tumsize+posnodal+prm+esm+menostat+tumgrad, data = GBSG, 
           model=TRUE)

绘图

r 复制代码

colplot(fit)

下面咱们来个结局变量Y是多分类的逻辑回归模型，使用的是VGAMdata包自带的xs.nz数据

r 复制代码

ibrary(nnet)
library(VGAMdata)
data(xs.nz)

这个数据很大，咱们提取需要的变量来组成模型

r 复制代码

marital.nz <- xs.nz[,c("marital","sex","age","height","weight")]
mydata <- marital.nz[complete.cases(marital.nz),]

咱们可以看到结局变量marital是4分类变量

r 复制代码

str(mydata)

建立模型

r 复制代码

fit <- multinom(marital ~ sex + age + height + weight, data = mydata,model=TRUE)

对于多项式逻辑回归，有多个结局概率，咱们需要指定你研究的是指标

咱们先把结局的4个变量提取出来，分别是4个婚姻状态"单身""已婚""离婚""寡居"

r 复制代码

outnames=colnames(fitted(fit))

咱们单身为参考变量，绘制列线图，先生成图片的标题

r 复制代码

labels=c(paste("Linear predictor for",outnames[-1]),paste
         ("Predicted chance of being",outnames))

接下来绘图，会生成多个图片，它是分成2个图片一组的，发表的时候可能需要拼一下图

r 复制代码

colplot(fit,coloroptions=3,risklabel=labels,filename="div")

接下来是married的

接下来是widowed的

图片很多还有几张就不发上来了。

接下来咱们绘制个支持向量机分类的，使用R自带的鸢尾花数据

r 复制代码

library(kernlab)
data(iris)

咱们把其他两种类型的花设置为other

r 复制代码

levels(iris$Species)[levels(iris$Species)=="setosa"] <- "other"
levels(iris$Species)[levels(iris$Species)=="virginica"] <- "other"

对数据重新命名

r 复制代码

names(iris)=c("SL","SW","PL","PW","Species")

生成模型

r 复制代码

model <-ksvm(Species ~ ., data = iris,prob.model=TRUE,kpar=list(0.03),C=10)

对模型进行预处理，

r 复制代码

newmodel=preplotperf(model,iris,indy=5,zerolevel="min")

绘图

r 复制代码

colplot(newmodel,filename="IRIS2",zerolevel="min",coloroptions=5)