Forest plot（森林图） | Cox生存分析可视化
Meta分析的结果使用森林图进行可视化展示很常见，其实COX生存分析也能用森林图展示。
之前分享过绘制KM曲线R|生存分析（1），诺莫图展示COX结果Nomogram（诺莫图） | Logistic、Cox生存分析结果可视化，本文将简单的介绍如何使用R-survminer包绘制Cox生存分析结果的森林图。
准备数据
同样使用上次绘制诺莫图使用的TCGA-LIHC队列的临床数据，
#载入R函数包
library(survival)
library(survminer)
## 读取LIHC数据
LIHC <- read.csv("TCGA-LIHC-nomogram.csv",header=TRUE)
head(LIHC)
构建COX生存模型
对LIHC队列进行Cox回归分析，时间变量是time，结局变量是status，自变量选择 age，gender和 grade，结果如下：
#构建模型
model <- coxph( Surv(time, status) ~ age + gender + grade , data = LIHC )
model
好吧，虽然不显著，但是不影响后续森林图的绘制。
绘制森林图
1 ggforest绘制基础森林图
#基础森林图
ggforest(model, data = LIHC)
只需cox回归模型以及数据集即可完成森林图的绘制，但是可以从以下几个方面去优化COX结果森林图：
A：森林图的标题
B：调整前三列的距离，防止过宽或过窄（重叠）
C：字体大小以及HR的小数位数
D：变量名称的调整（分类变量使用数值表示）
2 森林图优化，调整
1）调整变量名称
LIHC <- within(LIHC, {
gender <- factor(gender, labels = c('female', 'male'))
grade <- factor(grade , labels = c('Grade1', 'Grade3', 'Grade3' , 'Grade4'))
})也许觉得多此一举？
更重要的用途是当分类变量使用1，2... n的数值表示的时候，在图中不会给出分类比较的变量名称，因此需要数值标志的分类变量进行因子转换，然后再绘制。
可自行将gender的FEMALE和MALE改成1 ，2 ，比较结果的区别。
2）优化森林图
model <- coxph( Surv(time, status) ~ age + gender + grade , data = LIHC )
ggforest(model, #coxph得到的Cox回归结果
data = LIHC, #数据集
main = 'Hazard ratio of LIHC', #标题
cpositions = c(0.05, 0.15, 0.35), #前三列距离
fontsize = 1, #字体大小
refLabel = 'reference', #相对变量的数值标签，也可改为1
noDigits = 3 #保留HR值以及95%CI的小数位数
)
如此即完成了以上几个可优化，调整的地方。
此外森林图左下角会给出出现结局事件的个数，COX生存模型的P值，AIC值和C-index值。
◆ ◆ ◆ ◆ ◆
COX生存模型可以绘制森林图，那logist回归的结果可以绘制吗？答案当然是肯定的，后面见！?
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2019-10-08，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
目录