R语言绘制复杂加权数据（nhanes数据）多模型生存分析决策曲线

决策曲线分析（Decision Curve Analysis, DCA）是一种用于评估、比较和优化诊断试验、预测模型或分子标志物临床实用性的统计方法。它由Andrew J. Vickers和Eugene B. Elkin于2006年提出，旨在弥补传统统计指标（如灵敏度、特异度、ROC曲线下面积）在评估模型临床价值方面的不足。

在既往文章，本人介绍了我的ggscidca包，可以用于逻辑回归，生存分析等各种决策曲线绘制，但是据我所知，目前还没有R包能支持复杂加权数据（nhanes数据）生存分析决策曲线，在上篇文章《R语言绘制复杂加权数据（nhanes数据）生存分析决策曲线》我已经介绍了R语言绘制复杂加权数据（nhanes数据）生存分析决策曲线，目前我继续升级了ggscidca包，使得它能进一步支持nhanes多模型生存分析决策曲线，

下面我来演示一下，先导入数据和R包

r 复制代码

library(survey)
library(ggscidca)
library(scinhanes)
bc<-read.csv("E:/r/test/nahnesme.csv",sep=',',header=TRUE)
bc <- na.omit(bc)

我介绍一下数据，SEQN：序列号，RIAGENDR, # 性别， RIDAGEYR, # 年龄，RIDRETH1, # 种族，DMDMARTL, # 婚姻状况，WTINT2YR,WTMEC2YR, # 权重，SDMVPSU, # psu，SDMVSTRA，# strata，LBDGLUSI, #血糖mmol表示，LBDINSI, #胰岛素( pmmol/L)，PHAFSTHR #餐后血糖，LBXGH #糖化血红蛋白，SPXNFEV1, #FEV1：第一秒用力呼气量，SPXNFVC #FVC：用力肺活量，ml（估计肺容量），LBDGLTSI #餐后2小时血糖，factor.FVC是我把肺活量分为了2分类，方便用于测试。

把分类变量转成因子

r 复制代码

bc$DMDMARTL<-ifelse(bc$DMDMARTL==1,1,0)
bc$RIAGENDR<-as.factor(bc$RIAGENDR)
bc$RIDRETH1<-as.factor(bc$RIDRETH1)
bc$DMDMARTL<-as.factor(bc$DMDMARTL)
bc$oGTT2<-as.factor(bc$oGTT2)

如果做预测模型要拆分成建模集和验证集。我这里拆分一下

r 复制代码

set.seed(123)
tr1<- sample(nrow(bc),0.7*nrow(bc))##随机无放抽取
bc_train <- bc[tr1,]#70%数据集
bc_test<- bc[-tr1,]#30%数据集

建立抽样调查函数

r 复制代码

bcSvy2<- svydesign(ids = ~ SDMVPSU, strata = ~ SDMVSTRA, weights = ~ WTMEC2YR,
                   nest=TRUE,data = bc_train)

建立生存分析模型

r 复制代码

svyfit <- svycoxph(Surv(time, factor.FVC) ~ RIDAGEYR+RIAGENDR+LBDINSI+RIDRETH1, x = TRUE,
                   design = bcSvy2)

复习一下单个决策曲线模型的内容，绘制复杂加权数据（nhanes数据）决策曲线一共需要2步：

第一步，把模型变成ggscidca包能够识别的类型

r 复制代码

fit<-scisvycoxphmodel(svyfit,username=username,token=token)

绘制决策曲线

r 复制代码

scidca(fit)

绘制多模型的决策曲线其实就是复制单个决策曲线的过程，由两种情况：

就是同一个模型多个时间点的

r 复制代码

fit1<-scisvycoxphmodel(fit=svyfit,timepoint=300,username=username,token=token)

fit2<-scisvycoxphmodel(fit=svyfit,timepoint=500,username=username,token=token)

fit3<-scisvycoxphmodel(fit=svyfit,timepoint=700,username=username,token=token)

制作数据列表的绘图，如果你既往使用过ggscidca包，是一模一样的，上手0困难

r 复制代码

newdat<-list(bc_train,bc_train,bc_train)
cox.tcdca(fit1,fit2,fit3,newdata=newdat,timepoint=c(300,500,700))

第二个情况就是多个模型同一个时间点的

###多个模型一个时间点

r 复制代码

svyfit1 <- svycoxph(Surv(time, factor.FVC) ~ RIDAGEYR, x = TRUE,
                   design = bcSvy2)

svyfit2 <- svycoxph(Surv(time, factor.FVC) ~ RIDAGEYR+RIAGENDR, x = TRUE,
                    design = bcSvy2)
svyfit3 <- svycoxph(Surv(time, factor.FVC) ~ RIDAGEYR+RIAGENDR+LBDINSI+RIDRETH1, x = TRUE,
                   design = bcSvy2)

因为模型不同，都要转换一遍

r 复制代码

###转换模型
fit1<-scisvycoxphmodel(svyfit1,username=username,token=token)
fit2<-scisvycoxphmodel(svyfit2,username=username,token=token)
fit3<-scisvycoxphmodel(svyfit3,username=username,token=token)

绘图

r 复制代码

newdat<-list(bc_train,bc_train,bc_train)
cox.tcdca(fit1,fit2,fit3,newdata=newdat,timepoint=c(300))

支持自定义颜色

r 复制代码

cox.tcdca(fit1,fit2,fit3,newdata=newdat,timepoint=c(300),lincol =c("#E41A1C", "#377EB8", "#4DAF4A", "#984EA3", "#FF7F00"))