r - 当面临风险的人数 < 10 时，如何截断 Kaplan Meier 曲线-6ren

r - 当面临风险的人数 < 10 时，如何截断 Kaplan Meier 曲线

转载作者：行者123 更新时间：2023-12-01 09:46:10

对于在同行评审的科学期刊 (http://www.redjournal.org) 上发表的文章，我们想准备 Kaplan-Meier 图。该杂志对这些情节有以下具体指导方针:

“如果您的数字包括使用 Kaplan-Meier 方法或累积发生率方法进行分析生成的曲线，那么现在这些曲线的呈现要求如下:

表明有风险的患者人数；

包括审查标记；

当面临风险的患者少于 10 人时，曲线将被截断；和

置信区间的估计值应包含在图本身或文本中。”

在这里，我用老将数据集来说明我的问题( https://github.com/tidyverse/reprex 很棒!)。
我们可以使用 survminer 包轻松解决 1、2 和 4:

library(survival)
library(survminer)
#> Warning: package 'survminer' was built under R version 3.4.3
#> Loading required package: ggplot2
#> Loading required package: ggpubr
#> Warning: package 'ggpubr' was built under R version 3.4.3
#> Loading required package: magrittr

fit.obj <- survfit(Surv(time, status) ~ celltype, data = veteran)

ggsurvplot(fit.obj,
           conf.int = T,
           risk.table ="absolute",
           tables.theme = theme_cleantable())

但是，我遇到了要求 3 的问题(当面临风险的患者少于 10 人时截断曲线)。我看到 survfit 对象中提供了所有必需的信息:

library(survival)
fit.obj <- survfit(Surv(time, status) ~ celltype, data = veteran)
summary(fit.obj)
#> Call: survfit(formula = Surv(time, status) ~ celltype, data = veteran)
#> 
#>                 celltype=squamous 
#>  time n.risk n.event survival std.err lower 95% CI upper 95% CI
#>     1     35       2    0.943  0.0392       0.8690        1.000
#>     8     33       1    0.914  0.0473       0.8261        1.000
#>    10     32       1    0.886  0.0538       0.7863        0.998
#>    11     31       1    0.857  0.0591       0.7487        0.981
#>    15     30       1    0.829  0.0637       0.7127        0.963
#>    25     29       1    0.800  0.0676       0.6779        0.944
#>    30     27       1    0.770  0.0713       0.6426        0.924
#>    33     26       1    0.741  0.0745       0.6083        0.902
#>    42     25       1    0.711  0.0772       0.5749        0.880
#>    44     24       1    0.681  0.0794       0.5423        0.856
#>    72     23       1    0.652  0.0813       0.5105        0.832
#>    82     22       1    0.622  0.0828       0.4793        0.808
#>   110     19       1    0.589  0.0847       0.4448        0.781
#>   111     18       1    0.557  0.0861       0.4112        0.754
#>   112     17       1    0.524  0.0870       0.3784        0.726
#>   118     16       1    0.491  0.0875       0.3464        0.697
#>   126     15       1    0.458  0.0876       0.3152        0.667
#>   144     14       1    0.426  0.0873       0.2849        0.636
#>   201     13       1    0.393  0.0865       0.2553        0.605
#>   228     12       1    0.360  0.0852       0.2265        0.573
#>   242     10       1    0.324  0.0840       0.1951        0.539
#>   283      9       1    0.288  0.0820       0.1650        0.503
#>   314      8       1    0.252  0.0793       0.1362        0.467
#>   357      7       1    0.216  0.0757       0.1088        0.429
#>   389      6       1    0.180  0.0711       0.0831        0.391
#>   411      5       1    0.144  0.0654       0.0592        0.351
#>   467      4       1    0.108  0.0581       0.0377        0.310
#>   587      3       1    0.072  0.0487       0.0192        0.271
#>   991      2       1    0.036  0.0352       0.0053        0.245
#>   999      1       1    0.000     NaN           NA           NA
#> 
#>                 celltype=smallcell 
#>  time n.risk n.event survival std.err lower 95% CI upper 95% CI
#>     2     48       1   0.9792  0.0206      0.93958        1.000
#>     4     47       1   0.9583  0.0288      0.90344        1.000
#>     7     46       2   0.9167  0.0399      0.84172        0.998
#>     8     44       1   0.8958  0.0441      0.81345        0.987
#>    10     43       1   0.8750  0.0477      0.78627        0.974
#>    13     42       2   0.8333  0.0538      0.73430        0.946
#>    16     40       1   0.8125  0.0563      0.70926        0.931
#>    18     39       2   0.7708  0.0607      0.66065        0.899
#>    20     37       2   0.7292  0.0641      0.61369        0.866
#>    21     35       2   0.6875  0.0669      0.56812        0.832
#>    22     33       1   0.6667  0.0680      0.54580        0.814
#>    24     32       1   0.6458  0.0690      0.52377        0.796
#>    25     31       2   0.6042  0.0706      0.48052        0.760
#>    27     29       1   0.5833  0.0712      0.45928        0.741
#>    29     28       1   0.5625  0.0716      0.43830        0.722
#>    30     27       1   0.5417  0.0719      0.41756        0.703
#>    31     26       1   0.5208  0.0721      0.39706        0.683
#>    51     25       2   0.4792  0.0721      0.35678        0.644
#>    52     23       1   0.4583  0.0719      0.33699        0.623
#>    54     22       2   0.4167  0.0712      0.29814        0.582
#>    56     20       1   0.3958  0.0706      0.27908        0.561
#>    59     19       1   0.3750  0.0699      0.26027        0.540
#>    61     18       1   0.3542  0.0690      0.24171        0.519
#>    63     17       1   0.3333  0.0680      0.22342        0.497
#>    80     16       1   0.3125  0.0669      0.20541        0.475
#>    87     15       1   0.2917  0.0656      0.18768        0.453
#>    95     14       1   0.2708  0.0641      0.17026        0.431
#>    99     12       2   0.2257  0.0609      0.13302        0.383
#>   117      9       1   0.2006  0.0591      0.11267        0.357
#>   122      8       1   0.1755  0.0567      0.09316        0.331
#>   139      6       1   0.1463  0.0543      0.07066        0.303
#>   151      5       1   0.1170  0.0507      0.05005        0.274
#>   153      4       1   0.0878  0.0457      0.03163        0.244
#>   287      3       1   0.0585  0.0387      0.01600        0.214
#>   384      2       1   0.0293  0.0283      0.00438        0.195
#>   392      1       1   0.0000     NaN           NA           NA
#> 
#>                 celltype=adeno 
#>  time n.risk n.event survival std.err lower 95% CI upper 95% CI
#>     3     27       1   0.9630  0.0363      0.89430        1.000
#>     7     26       1   0.9259  0.0504      0.83223        1.000
#>     8     25       2   0.8519  0.0684      0.72786        0.997
#>    12     23       1   0.8148  0.0748      0.68071        0.975
#>    18     22       1   0.7778  0.0800      0.63576        0.952
#>    19     21       1   0.7407  0.0843      0.59259        0.926
#>    24     20       1   0.7037  0.0879      0.55093        0.899
#>    31     19       1   0.6667  0.0907      0.51059        0.870
#>    35     18       1   0.6296  0.0929      0.47146        0.841
#>    36     17       1   0.5926  0.0946      0.43344        0.810
#>    45     16       1   0.5556  0.0956      0.39647        0.778
#>    48     15       1   0.5185  0.0962      0.36050        0.746
#>    51     14       1   0.4815  0.0962      0.32552        0.712
#>    52     13       1   0.4444  0.0956      0.29152        0.678
#>    73     12       1   0.4074  0.0946      0.25850        0.642
#>    80     11       1   0.3704  0.0929      0.22649        0.606
#>    84      9       1   0.3292  0.0913      0.19121        0.567
#>    90      8       1   0.2881  0.0887      0.15759        0.527
#>    92      7       1   0.2469  0.0850      0.12575        0.485
#>    95      6       1   0.2058  0.0802      0.09587        0.442
#>   117      5       1   0.1646  0.0740      0.06824        0.397
#>   132      4       1   0.1235  0.0659      0.04335        0.352
#>   140      3       1   0.0823  0.0553      0.02204        0.307
#>   162      2       1   0.0412  0.0401      0.00608        0.279
#>   186      1       1   0.0000     NaN           NA           NA
#> 
#>                 celltype=large 
#>  time n.risk n.event survival std.err lower 95% CI upper 95% CI
#>    12     27       1   0.9630  0.0363      0.89430        1.000
#>    15     26       1   0.9259  0.0504      0.83223        1.000
#>    19     25       1   0.8889  0.0605      0.77791        1.000
#>    43     24       1   0.8519  0.0684      0.72786        0.997
#>    49     23       1   0.8148  0.0748      0.68071        0.975
#>    52     22       1   0.7778  0.0800      0.63576        0.952
#>    53     21       1   0.7407  0.0843      0.59259        0.926
#>   100     20       1   0.7037  0.0879      0.55093        0.899
#>   103     19       1   0.6667  0.0907      0.51059        0.870
#>   105     18       1   0.6296  0.0929      0.47146        0.841
#>   111     17       1   0.5926  0.0946      0.43344        0.810
#>   133     16       1   0.5556  0.0956      0.39647        0.778
#>   143     15       1   0.5185  0.0962      0.36050        0.746
#>   156     14       1   0.4815  0.0962      0.32552        0.712
#>   162     13       1   0.4444  0.0956      0.29152        0.678
#>   164     12       1   0.4074  0.0946      0.25850        0.642
#>   177     11       1   0.3704  0.0929      0.22649        0.606
#>   200      9       1   0.3292  0.0913      0.19121        0.567
#>   216      8       1   0.2881  0.0887      0.15759        0.527
#>   231      7       1   0.2469  0.0850      0.12575        0.485
#>   250      6       1   0.2058  0.0802      0.09587        0.442
#>   260      5       1   0.1646  0.0740      0.06824        0.397
#>   278      4       1   0.1235  0.0659      0.04335        0.352
#>   340      3       1   0.0823  0.0553      0.02204        0.307
#>   378      2       1   0.0412  0.0401      0.00608        0.279
#>   553      1       1   0.0000     NaN           NA           NA

但我不知道如何操作这个列表。我非常感谢有关如何从 fit.obj 中过滤掉 n.risk < 10 的所有行的任何建议。

最佳答案

我似乎无法一直做到这一点。但是我看到您可以将 data.frame 而不是 fit 对象传递给绘图函数。您可以执行此操作并剪辑值。例如

ss <- subset(surv_summary(fit.obj), n.risk>=10)
ggsurvplot(ss,
      conf.int = T)

但似乎在这种模式下它不会自动打印表格。有一个函数可以用来绘制表格

ggrisktable(fit.obj, tables.theme = theme_cleantable())

所以我想你可以把它们结合起来。在同一图中使用 data.frame 时，也许我缺少一种更简单的绘制表格的方法。

关于r - 当面临风险的人数 < 10 时，如何截断 Kaplan Meier 曲线，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48289708/

文章推荐： Haskell:将十六进制转换为二进制表示法的库函数

文章推荐： GenericType jersey 客户端中的 java.util.List.()

文章推荐： latex - 试图了解 Pandoc 如何从 Markdown 转换为 Latex

android - 当我们使用 SQLite 时，当我们使用 content provider 时，当我们使用 Shared preference 时
SQLite、Content provider 和 Shared Preference 之间的所有已知区别。但我想知道什么时候需要根据情况使用 SQLite 或 Content Provider 或
Backbone.js 模型验证仅在 set->save 时(不是在 fetch 时)
警告:我正在使用一个我无法完全控制的后端，所以我正在努力解决 Backbone 中的一些注意事项，这些注意事项可能在其他地方更好地解决......不幸的是，我别无选择，只能在这里处理它们! 所以，我的
jquery - 使用 “prefetch” 时 Twitter 预输入没有结果，但使用 “remote” JSON 时
我一整天都在挣扎。我的预输入搜索表达式与远程 json 数据完美配合。但是当我尝试使用相同的 json 数据作为预取数据时，建议为空。点击第一个标志后，我收到预定义消息“无法找到任何内容...”，结果
java - repaint() 时 JTextArea 不显示，但 revalidate() 时 Graphics 不更新？
我正在制作一个模拟 NHL 选秀彩票的程序，其中屏幕右侧应该有一个 JTextField，并且在左侧绘制弹跳的选秀球。我创建了一个名为 Ball 的类，它实现了 Runnable，并在我的主 Draf
java - java中将时间戳转换为特定格式(年、月、周、日、时、时、分、秒)
这个问题已经有答案了: How can I calculate a time span in Java and format the output? (18 个回答) 已关闭 9 年前。这是我的代码
设置 header 时 AJAX 请求失败，但没有设置 header 时 AJAX 请求会成功
我有一个 ASP.NET Web API 应用程序在我的本地 IIS 实例上运行。 Web 应用程序配置有 CORS。我调用的 Web API 方法类似于: [POST("/API/{foo}/{ba
android - 用户输入年、月、日、时、分与系统年、月、日、时、分的区别
我将用户输入的时间和日期作为: DatePicker dp = (DatePicker) findViewById(R.id.datePicker); TimePicker tp = (TimePic
algorithm - 在处理 Tabu Search Optimization 时，当所有相邻解决方案都是 tabu 时，通常的做法是什么？
放宽“邻居”的标准是否足够，或者是否有其他标准行动可以采取？最佳答案如果所有相邻解决方案都是 Tabu，则听起来您的 Tabu 列表的大小太长或您的释放策略太严格。一个好的 Tabu 列表长度是
c++ - 为什么我需要传递一个比较器来构造一个 priority_queue，当它是 lambda 时，而不是当它是 std::greater 时？
我正在阅读来自 cppreference 的代码示例: #include #include #include #include template void print_queue(T& q)
javascript - 当触发器为 'click' 时，Bootstrap 3 工具提示表现得很奇怪，当触发器为 'manual' 时，则不起作用
我快疯了，我试图理解工具提示的行为，但没有成功。 1. 第一个问题是当我尝试通过插件(按钮 1)在点击事件中使用它时 -> 如果您转到 Fiddle，您会在“内容”内看到该函数' 每次点击都会调用该属
javascript - 使用 useContext 时，数据首先加载为空数组，当我应用 .map() 或 .find() 时，我收到一条错误消息
我在功能组件中有以下代码: const [ folder, setFolder ] = useState([]); const folderData = useContext(FolderContex
swift - 使用 NSURLSession 时 GET 成功，但使用 AFHTTPSessionManager 时 GET 失败
我在使用预签名网址和 AFNetworking 3.0 从 S3 获取图像时遇到问题。我可以使用 NSMutableURLRequest 和 NSURLSession 获取图像，但是当我使用 AFHT
java - 当池生命周期为 LIFE_CYCLE_FAILED 时，使用 UCP 管理器调用 closeConnections() 时 UCP 连接是否关闭？
我正在使用 Oracle ojdbc 12 和 Java 8 处理 Oracle UCP 管理器的问题。当 UCP 池启动失败时，我希望关闭它创建的连接。当池初始化期间遇到 ORA-02391:超过
ios - 当我点击 "Run"时，应用程序崩溃，但是当我点击 "Stop"然后 "Run"时，应用程序崩溃
关闭。此题需要details or clarity 。目前不接受答案。想要改进这个问题吗？通过 editing this post 添加详细信息并澄清问题. 已关闭 9 年前。 Improve
css - 我有一个笨蛋。当我在全局范围内定义我的 css 时，它起作用了。当我在我的组件中定义我的 css 时，它失败了。这是怎么回事？
引用这个plunker: https://plnkr.co/edit/GWsbdDWVvBYNMqyxzlLY?p=preview 我在 styles.css 文件和 src/app.ts 文件中指定
python - 当宽度 <1.0 时，Matplotlib 周线太细；当宽度>=1.0 时，周线太粗
为什么我的条形这么细？我尝试将宽度设置为 1，它们变得非常厚。我不知道还能尝试什么。默认厚度为 0.8，这是应该的样子吗？ import matplotlib.pyplot as plt import
当我使用 RIGHT JOIN 时，MYSQL 无法识别字段，但当我使用 NATURAL JOIN 时，MYSQL 可以识别字段
当我编写时，查询按预期执行: SELECT id, day2.count - day1.count AS diff FROM day1 NATURAL JOIN day2; 但我真正想要的是右连接。当
python - 在 pandas 中读取时间值(时、分、秒、日、月、年)时，如何指定先到先得？
我有以下时间数据: 0 08/01/16 13:07:46,335437 1 18/02/16 08:40:40,565575 2 14/01/16 22:2
javascript - 当我使用 axios POST 时，Req.body 为空，但当我使用 'request' 时，它工作正常
一些背景知识 -我的 NodeJS 服务器在端口 3001 上运行，我的 React 应用程序在端口 3000 上运行。我在 React 应用程序 package.json 中设置了一个代理来代理对端
javascript - 使用 AngularJs 时，当 img 标签具有 src attr 时，如何在其上设置 data-src
我面临着一个愚蠢的问题。我试图在我的 Angular 应用程序中延迟加载我的图像，我已经尝试过这个2: 但是他们都设置了 src attr 而不是 data-src，我在这里遗漏了什么吗？保留 d

行者123

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

r - 当面临风险的人数 < 10 时，如何截断 Kaplan Meier 曲线