• 分类模型特征筛选
  • 先单因素后多因素
  • lasso回归筛选变量
  • 逐步回归筛选变量
  • nomogram
  • calibration
• 生存模型特征筛选
• 临床预测模型
• 线性回归与逻辑回归
• 单因素分析
• 多因素分析
• 生存分析
• 临床相关性分析
• 参考

分类模型特征筛选

先单因素后多因素

lasso回归筛选变量

逐步回归筛选变量

nomogram

calibration

生存模型特征筛选

临床预测模型

• 精准预测：预测复发
• 早期诊断：通过之前数据预测
• 分类分型
• 预后判断

线性回归与逻辑回归

单因素分析

多因素分析

生存分析

fit <- surv_fit(Surv(futime,vital_status) ~ riskScore, data = expr_data_anno_13)
summary(fit)
ggsurvplot(fit, conf.int=F, pval=T, risk.table=F,
           legend.title='',
           risk.table.height = 0.3,data = expr_data_anno_13)

 riskScore=high 
 time n.risk n.event survival std.err lower 95% CI upper 95% CI
    0    258       3    0.988 0.00667        0.975        1.000
    1    244       2    0.980 0.00874        0.963        0.998
   29    240       1    0.976 0.00961        0.958        0.995
   30    239       1    0.972 0.01040        0.952        0.993
   43    227       1    0.968 0.01120        0.946        0.990
   49    225       1    0.964 0.01195        0.940        0.987
   61    224       3    0.951 0.01392        0.924        0.978
   
riskScore=low 
 time n.risk n.event survival std.err lower 95% CI upper 95% CI
    0    258       4    0.984 0.00769        0.970        1.000
   59    241       1    0.980 0.00868        0.964        0.998
   61    240       1    0.976 0.00955        0.958        0.995
   90    238       1    0.972 0.01036        0.952        0.993
   97    237       1    0.968 0.01110        0.947        0.990
  122    236       1    0.964 0.01178        0.941        0.987
  146    235       1    0.960 0.01243        0.936        0.985

临床相关性分析

• wilcox
• kruskal
• 逻辑回归

参考

共线性