“““【运用 R 语言里的“predict”函数针对 Cox 模型展开新数据的预测以及推理。】“““

皮肤科大白2025-01-24 22:02

主题与背景

本文主要介绍了如何在R语言中使用predict函数对已拟合的Cox比例风险模型进行新数据的预测和推理。Cox模型是一种常用的生存分析方法，用于评估多个因素对事件发生时间的影响。文章通过具体的代码示例展示了如何使用predict函数的不同参数来获取生存概率和风险比。

主要观点

导入survival包

首先需要导入R语言中的survival包，该包提供了实现Cox比例风险模型和其他生存分析方法的功能。

假设已有Cox模型

假设已经有一个Cox模型，并将其存储在cox_model对象中。这个模型是通过之前的数据拟合得到的。

创建新数据集

为了进行预测，需要创建一个新的数据集new_data。在这个例子中，新数据集包含两列：年龄（age）和性别（sex），分别对应三个新的个体。

使用predict函数进行预测

生存概率预测：

使用predict函数并设置type = "survival"来预测新数据的生存概率。这将返回每个新个体在特定时间点的生存概率。

风险比预测：

使用predict函数并设置type = "risk"来预测新数据的风险比。这将返回每个新个体的风险比，表示相对于参考水平的风险增加或减少的程度。

打印预测结果

最后，文章展示了如何打印出预测的生存概率和风险比，以便进一步分析和解释。

R 复制代码 
# 导入必要的包
library(survival)

# 创建一个包含更多变量的数据集
set.seed(123)  # 为了可重复性设置随机数种子
data <- data.frame(
  time = c(5, 8, 10, 4, 12, 7, 9, 6, 13, 11),  # 生存时间
  status = c(1, 0, 1, 0, 1, 1, 0, 1, 0, 1),  # 结局状态：1表示事件发生，0表示删失
  age = c(60, 65, 70, 55, 80, 72, 60, 68, 75, 65),  # 年龄
  sex = c("Male", "Female", "Male", "Female", "Male", "Female", "Male", "Female", "Male", "Female"),  # 性别
  smoking_status = c("Smoker", "Non-smoker", "Non-smoker", "Smoker", "Smoker", "Non-smoker", "Smoker", "Non-smoker", "Smoker", "Non-smoker"),  # 吸烟状态
  treatment = c("DrugA", "DrugB", "DrugA", "DrugA", "DrugB", "DrugA", "DrugB", "DrugA", "DrugB", "DrugA")  # 治疗类型
)

# 将分类变量转化为因子变量
data$sex <- factor(data$sex, levels = c("Male", "Female"))
data$smoking_status <- factor(data$smoking_status, levels = c("Smoker", "Non-smoker"))
data$treatment <- factor(data$treatment, levels = c("DrugA", "DrugB"))

# 拟合Cox回归模型
cox_model <- coxph(Surv(time, status) ~ age + sex + smoking_status + treatment, data = data)

# 打印Cox模型结果
summary(cox_model)

# 创建新的数据集进行预测
new_data <- data.frame(
  age = c(60, 65, 70),
  sex = c("Male", "Female", "Male"),
  smoking_status = c("Smoker", "Non-smoker", "Smoker"),
  treatment = c("DrugA", "DrugB", "DrugA")
)

# 将新的数据集的分类变量转换为因子
new_data$sex <- factor(new_data$sex, levels = c("Male", "Female"))
new_data$smoking_status <- factor(new_data$smoking_status, levels = c("Smoker", "Non-smoker"))
new_data$treatment <- factor(new_data$treatment, levels = c("DrugA", "DrugB"))

# 使用predict函数进行生存概率和风险预测
predicted_survival <- predict(cox_model, newdata = new_data, type = "survival")
predicted_hazard <- predict(cox_model, newdata = new_data, type = "risk")

# 打印预测结果
cat("预测的生存概率：\n")
print(predicted_survival)

cat("\n预测的风险比：\n")
print(predicted_hazard)

总结

本文详细介绍了在R语言中使用predict函数对Cox比例风险模型进行新数据预测的具体步骤。核心观点包括导入必要的包、准备新数据集、使用predict函数的不同参数（type = "survival" 和 type = "risk"）来进行生存概率和风险比的预测，以及如何输出和查看这些预测结果。通过这些步骤，用户可以有效地利用已有的Cox模型对新数据进行生存分析和风险评估。

cox 代码如下：

R 复制代码 
# 加载所需的库
library(rms)
library(timeROC)


# 假设我们的随访时间变量是 time, 结局状态变量是 status，并且我们有两个预测变量 predictor1 和 predictor2

如果是分类变量，需要设置为factor, 并加上文字标签，连续性变量不用管，例如：
train_data$predictor1<-factor(train_data$predictor1,levels = c(0,1),labels = c('No','Yes'))
train_data$predictor2<-factor(train_data$predictor2,levels = c(1,2,3),labels = c('Stage I','Stage II','Stage III'))

# 设置模型公式
formula <- Surv(time,status) ~ predictor1 + predictor2

# 首先，我们需要为我们的数据设置一个数据分布对象
# 这会帮助rms包更好地理解我们的数据结构
options(datadist=NULL)
ddist <- datadist(train_data)
options(datadist = 'ddist')

# 现在我们可以在训练数据上拟合Cox回归模型
model <- rms::cph(formula, data = train_data, surv = T,x = TRUE, y = TRUE)

# 在训练集上生成预测值
train_predvalue <- predict(model, newdata = train_data)

# 在训练集上生成ROC对象

roc_train <- timeROC::timeROC(T=train_data$time,
                                  delta=train_data$status,
                                  marker=train_predvalue,
                                  cause=1,
                                  weighting='marginal',
                                  times=c(365.25*1,365.25*3,365.25*5),
                                  iid=TRUE)

# 求auc和可信区间
roc_train$AUC
confint(roc_train)$CI_AUC

# 绘制曲线

plot(roc_train,
     time=365.25*1,
     lty=1,lwd=2,
     xlab='1-Specificities',ylab='Sensitivities',
     col = 'red',
      title='')

plot(roc_train,
     time=365.25*3,
     lty=1,lwd=2,
     xlab='1-Specificities',ylab='Sensitivities',
     col = 'red',
      title='')

      plot(roc_train,
     time=365.25*5,
     lty=1,lwd=2,
     xlab='1-Specificities',ylab='Sensitivities',
     col = 'red',
      title='')



# 在内部验证集上生成预测值
validation_predvalue <- predict(model, newdata = validation_data)

# 在训练集上生成ROC对象

roc_validation <- timeROC::timeROC(T=validation_data$time,
                                  delta=validation_data$status,
                                  marker=validation_predvalue,
                                  cause=1,
                                  weighting='marginal',
                                  times=c(365.25*1,365.25*3,365.25*5),
                                  iid=TRUE)

# 求auc和可信区间
roc_validation$AUC
confint(roc_validation)$CI_AUC

# 绘制曲线

plot(roc_validation,
     time=365.25*1,
     lty=1,lwd=2,
     xlab='1-Specificities',ylab='Sensitivities',
     col = 'red',
      title='')

plot(roc_validation,
     time=365.25*3,
     lty=1,lwd=2,
     xlab='1-Specificities',ylab='Sensitivities',
     col = 'red',
      title='')

      plot(roc_validation,
     time=365.25*5,
     lty=1,lwd=2,
     xlab='1-Specificities',ylab='Sensitivities',
     col = 'red',
      title='')



# 在外部验证集上生成预测值
external_predvalue <- predict(model, newdata = external_data)

# 在训练集上生成ROC对象

roc_external <- timeROC::timeROC(T=external_data$time,
                                  delta=external_data$status,
                                  marker=external_predvalue,
                                  cause=1,
                                  weighting='marginal',
                                  times=c(365.25*1,365.25*3,365.25*5),
                                  iid=TRUE)

# 求auc和可信区间
roc_external$AUC
confint(roc_external)$CI_AUC

# 绘制曲线

plot(roc_external,
     time=365.25*1,
     lty=1,lwd=2,
     xlab='1-Specificities',ylab='Sensitivities',
     col = 'red',
      title='')

plot(roc_external,
     time=365.25*3,
     lty=1,lwd=2,
     xlab='1-Specificities',ylab='Sensitivities',
     col = 'red',
      title='')

      plot(roc_external,
     time=365.25*5,
     lty=1,lwd=2,
     xlab='1-Specificities',ylab='Sensitivities',
     col = 'red',
      title='')
相关推荐
西岸行者6 天前
学习笔记：SKILLS 能帮助更好的vibe coding
笔记·学习
悠哉悠哉愿意6 天前
【单片机学习笔记】串口、超声波、NE555的同时使用
笔记·单片机·学习
别催小唐敲代码6 天前
嵌入式学习路线
学习
毛小茛6 天前
计算机系统概论——校验码
学习
babe小鑫6 天前
大专经济信息管理专业学习数据分析的必要性
学习·数据挖掘·数据分析
winfreedoms6 天前
ROS2知识大白话
笔记·学习·ros2
在这habit之下6 天前
Linux Virtual Server（LVS）学习总结
linux·学习·lvs
我想我不够好。6 天前
2026.2.25监控学习
学习
im_AMBER6 天前
Leetcode 127 删除有序数组中的重复项 | 删除有序数组中的重复项 II
数据结构·学习·算法·leetcode
CodeJourney_J6 天前
从“Hello World“ 开始 C++
c语言·c++·学习
热门推荐
01GitHub 镜像站点02OpenClaw 使用和管理 MCP 完全指南03OpenClaw + 飞书（Feishu）环境搭建指南04Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services05OpenClaw优化飞书API 额度已耗尽问题06Window 10部署openclaw报错node.exe : npm error code 12807Clawdbot部署教程：解决‘gateway token missing’授权问题的完整步骤08小黑课堂计算机二级WPSoffice题库软件下载安装教程（2026年3月最新版）09OpenClaw大龙虾机器人完整安装教程10网站改了域名，如何查找？