一篇基于美剧的scientific study（绘制临床三线表）
一篇基于美剧的scientific study（绘制临床三线表）
用户1359560
发布于 2018-12-27 15:40:09
发布于 2018-12-27 15:40:09
文章标题：“Death is certain, the time is not”: mortality and survival in Game of Thrones
网址：
偶然间看到这篇文章，大致是基于美剧《权利的游戏》角色资料做的生存分析的文章
- 背景 权力的游戏是一个受欢迎的电视连续剧，以其对人物死亡的暴力和图形描绘而闻名。本研究旨在探讨重要人物的死亡率和生存率。
- 方法 “权力的游戏”第1至第7季中出现的重要角色，并记录了社会人口学因素，死亡时间和死亡情况的数据。使用Cox比例风险回归模型以及Kaplan-Meier生存分析来量化存活时间和概率并分别识别死亡率的独立预测因子。
- 结果 在所包括的330个角色中，186个（56.4％）在研究期结束时死亡。除了2人死亡外，其他所有人都是由于受伤，烧伤或中毒造成的，其中大部分是由于袭击（63.0％）或战争行动（24.4％）造成的。存活时间范围为11 s至57 h和15 min，中位生存时间估计为28 h和48 min。在节目中存活至少1小时的概率是0.86（95％CI ：0.82-0.89）。分析结果显示，男性（P <0.001），低出生（P <0.001），没有转换忠诚对象（P <0.001），有着比较突出或者鲜明特征的角色（P <0.001），有着更差的生存。在根据其他因素调整后，一个角色是否改变了忠诚度，以及是否有突出的特征是独立的死亡预测因素。
- 结论 “权力的游戏”中的人物死亡风险很高。首次出现在屏幕后的第一个小时内死亡的概率约为14％。到第七季结束时，超过一半的重要角色已经死亡，暴力死亡是最常见的。对于男性或低级人物，在节目期间没有转变效忠，以及更突出的特征，生存概率更差。在权力的游戏世界中，有很大的潜力可以防止暴力死亡。
- 其中的FIG1和FIG2是生存分析，这个在我以前的博客已经介绍过了 R语言之生信⑧Cox比例风险模型(多因素) - 简书
- 今天主要介绍FIG3
- 森林图通常用于临床试验报告中，以显示不同患者亚组的治疗效果的差异。 应该可以使用基本R图形或使用ggplot2包创建此类图形。但是，有一个贡献的包forestplot可以很容易地使表格中插入森林图 - 我们只需要为包中的forestplot函数提供正确的参数。此外，出现的一个问题是在森林图中为交替行获取水平灰色条带是多么容易。这也不是很困难。以下是整个过程的简短说明，以及相关的R代码：
setwd('D:\\train')
workdir = 'D:\\train'
datafile <- file.path(workdir,"forest.csv")
data <- read.csv(datafile, stringsAsFactors=FALSE)
## Labels defining subgroups are a little indented!
subgps <- c(4,5,8,9,12,13,16,17,20,21,24,25,28,29,32,33)
data$Variable[subgps] <- paste(" ",data$Variable[subgps])
##Combine the count and percent column
np <- ifelse(!is.na(data$Count), paste(data$Count," (",data$Percent,")",sep=""), NA)
## The rest of the columns in the table.
tabletext <- cbind(c("Subgroup","\n",data$Variable),
c("No. of Patients (%)","\n",np),
c("4-Yr Cum. Event Rate\n PCI","\n",data$PCI.Group),
c("4-Yr Cum. Event Rate\n Medical Therapy","\n",data$Medical.Therapy.Group),
c("P Value","\n",data$P.Value))
library(forestplot)
png(file.path(workdir,"Forestplot.png"),width=960, height=640)
forestplot(labeltext=tabletext, graph.pos=3,
mean=c(NA,NA,data$Point.Estimate),
lower=c(NA,NA,data$Low), upper=c(NA,NA,data$High),
title="Hazard Ratio",
xlab=" <---PCI Better--- ---Medical Therapy Better--->",
hrzl_lines=list("3" = gpar(lwd=1, col="#99999922"),
"7" = gpar(lwd=60, lineend="butt", columns=c(2:6), col="#99999922"),
"15" = gpar(lwd=60, lineend="butt", columns=c(2:6), col="#99999922"),
"23" = gpar(lwd=60, lineend="butt", columns=c(2:6), col="#99999922"),
"31" = gpar(lwd=60, lineend="butt", columns=c(2:6), col="#99999922")),
txt_gp=fpTxtGp(label=gpar(cex=1.25),
ticks=gpar(cex=1.1),
xlab=gpar(cex = 1.2),
title=gpar(cex = 1.2)),
col=fpColors(box="black", lines="black", zero = "gray50"),
zero=1, cex=0.9, lineheight = "auto", boxsize=0.5, colgap=unit(6,"mm"),
lwd.ci=2, ci.vertices=TRUE, ci.vertices.height = 0.4)
dev.off()
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2018.12.17 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读