r - 绘制用于 Cox 回归的 Kaplan-Meier

Question

我在 R 中使用以下代码建立了一个 Cox 比例风险模型，该模型可以预测死亡率。添加协变量 A、B 和 C 只是为了避免混淆(即年龄、性别、种族)，但我们真正对预测变量 X 感兴趣。X 是一个连续变量。

cox.model <- coxph(Surv(time, dead) ~ A + B + C + X, data = df)

现在，我在为此绘制 Kaplan-Meier 曲线时遇到了麻烦。我一直在寻找如何创建这个数字，但我没有太多运气。我不确定是否可以为 Cox 模型绘制 Kaplan-Meier？ Kaplan-Meier 是针对我的协变量进行调整还是不需要它们？

我所做的尝试如下，但有人告诉我这是不对的。

plot(survfit(cox.model), xlab = 'Time (years)', ylab = 'Survival Probabilities')

我还试图绘制一个图表，显示死亡率的累积风险。我不知道我是否做得对，因为我尝试了几种不同的方法并得到了不同的结果。理想情况下，我想绘制两条线，一条显示 X 的第 75 个百分点的死亡风险，一条显示 X 的第 25 个百分点。我该怎么做？

我可以列出我尝试过的所有其他内容，但我不想混淆任何人!

非常感谢。

Answer 1

这是取自 this paper 的示例.

url <- "http://socserv.mcmaster.ca/jfox/Books/Companion/data/Rossi.txt"
Rossi <- read.table(url, header=TRUE)
Rossi[1:5, 1:10]

#   week arrest fin age  race wexp         mar paro prio educ
# 1   20      1  no  27 black   no not married  yes    3    3
# 2   17      1  no  18 black   no not married  yes    8    4
# 3   25      1  no  19 other  yes not married  yes   13    3
# 4   52      0 yes  23 black  yes     married  yes    1    5
# 5   52      0  no  19 other  yes not married  yes    3    3

mod.allison <- coxph(Surv(week, arrest) ~ 
                        fin + age + race + wexp + mar + paro + prio,
                        data=Rossi)
mod.allison

# Call:
# coxph(formula = Surv(week, arrest) ~ fin + age + race + wexp + 
#    mar + paro + prio, data = Rossi)
#
#
#                   coef exp(coef) se(coef)      z      p
# finyes         -0.3794     0.684   0.1914 -1.983 0.0470
# age            -0.0574     0.944   0.0220 -2.611 0.0090
# raceother      -0.3139     0.731   0.3080 -1.019 0.3100 
# wexpyes        -0.1498     0.861   0.2122 -0.706 0.4800
# marnot married  0.4337     1.543   0.3819  1.136 0.2600
# paroyes        -0.0849     0.919   0.1958 -0.434 0.6600
# prio            0.0915     1.096   0.0286  3.194 0.0014
#
# Likelihood ratio test=33.3  on 7 df, p=2.36e-05  n= 432, number of events= 114    

请注意，该模型使用 fin, age, race, wexp, mar, paro, prio预测 arrest .如 this document 中所述 survfit()函数使用 Kaplan-Meier 估计的存活率。

plot(survfit(mod.allison), ylim=c(0.7, 1), xlab="Weeks",
     ylab="Proportion Not Rearrested")

我们得到了一个生存率图(具有 95% 的置信区间)。对于累积危险率，你可以做

# plot(survfit(mod.allison)$cumhaz)

但这并没有给出置信区间。不过，不用担心!我们知道 H(t) = -ln(S(t)) 并且我们有 S(t) 的置信区间。我们需要做的就是

sfit <- survfit(mod.allison)
cumhaz.upper <- -log(sfit$upper)
cumhaz.lower <- -log(sfit$lower)
cumhaz <- sfit$cumhaz # same as -log(sfit$surv)

然后只是绘制这些

plot(cumhaz, xlab="weeks ahead", ylab="cumulative hazard",
     ylim=c(min(cumhaz.lower), max(cumhaz.upper)))
lines(cumhaz.lower)
lines(cumhaz.upper)

你会想要使用 survfit(..., conf.int=0.50)获得 75% 和 25% 而不是 97.5% 和 2.5% 的波段。