R生存分析|关心的变量KM曲线不显著，还有救吗？

生信补给站

发布于 2021-09-09 11:06:48

3K1

发布于 2021-09-09 11:06:48

文章被收录于专栏：生信补给站

如果想查看某些因素，如年龄，性别，分期，肿瘤数目，大小，实验室指标或者通过生信手（tao）段（lu）构建的模型和评分是否对预后有影响时候，经常会把连续变量变为分类变量，然后绘制KM曲线或者列线图等。

这时候会有一些常用的方法：

（1）实验室指标：根据正常范围进行分类

（2）临床指标：根据临床意义进行分类

（3）生信模型评分：根据中位数，平均值等进行分类

（4）生信模型评分：根据统计上的最优cutoff来分类

本次主要介绍基于统计上的最优cutoff分类的方法，并与常见的中位数进行简单的比较。

一载入数据，R包

为了复现方便，使用内置myeloma数据集

#载入所需的R包
library("survival")
library("survminer")
#查看myeloma数据集
data(myeloma)
head(myeloma)

二 KM-中位数分类

以TP53基因为例，按照常用的中位数分为表达量高，低两组

#按照中位数进行分类
myeloma <- myeloma %>% 
  mutate(TP53_cat = ifelse(TP53 > median(TP53) ,"High" , "Low"))

head(myeloma)

构建模型，并绘制KM曲线

#构建模型
fit <- survfit(Surv(time, event) ~ TP53_cat, data = myeloma) 

#绘制生存曲线并显示P值
ggsurvplot(fit,
           data = myeloma,
           palette=c("red", "blue"), #自定义颜色
           legend.labs=c("TP53_High","TP53_Low"), #自定义标签
           risk.table = TRUE, 
           break.x.by = 6, #横坐标刻度间隔
           pval = T) #是否显示P值

如图显示P值不显著，这时候可以试一下最优cutoff。

三 KM-最优cutoff分类

3.1 计算最优cutoff

使用surv_cutpoint函数找到最优cutoff

res.cut <- surv_cutpoint(myeloma, 
                         time = "time",
                         event = "event",
                         variables = c("TP53", "WHSC1")) #可以添加多列

summary(res.cut)#查看最佳cutoff
      cutpoint statisticTP53     748.3  2.928906WHSC1   3205.6  3.361330

可以看到TP53 和 WHSC1 基因统计得到的最优cutoff。

3.2 根据最优cutoff分类

A：根据得到的最优cutoff 自行分类

myeloma <- myeloma %>% 
  mutate(TP53_cutoff = ifelse(TP53 > 748.3 ,"High" , "Low"))

head(myeloma)

构建模型，并绘制KM曲线

#构建模型
fit <- survfit(Surv(time, event) ~ TP53_cutoff, data = myeloma)
#绘制生存曲线
ggsurvplot(fit,
           data = myeloma, 
           palette=c("red", "blue"), #自定义颜色
           legend.labs=c("TP53_High","TP53_Low"), #自定义标签
           risk.table = TRUE,  
           break.x.by = 6,##横坐标间隔
           pval = T) #是否展示P值

可以看到P值 < 0.05了，变化还是很明显的。

B：根据surv_categorize函数获取重新构建的矩阵

此处推荐这种方法，能比较简单的获取重新构建的矩阵

##重新构建的矩阵
res.cat <- surv_categorize(res.cut)
head(res.cat)
          time event TP53 WHSC1GSM50986 69.24     0  low   lowGSM50988 66.43     0 high   lowGSM50989 66.50     0 high  highGSM50990 42.67     1 high  highGSM50991 65.00     0  low   lowGSM50992 65.20     0 high   low

构建模型，并绘制KM曲线

fit <- survfit(Surv(time, event) ~TP53, data = res.cat) 
#绘制生存曲线
ggsurvplot(fit,
           data = res.cat,
           palette=c("red", "blue"),
           legend.labs=c("TP53_High","TP53_Low"), #标签
           risk.table = TRUE,
           break.x.by = 6, ##横坐标间隔
           pval = T)

结果和自行根据最优cutoff，使用ifelse进行分类得到的结果一致，此处不展示了。

参考资料：https://www.rdocumentation.org/packages/survminer/versions/0.4.9

https://www.rdocumentation.org/packages/survminer/versions/0.4.9/topics/surv_cutpoint

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2021-08-25，如有侵权请联系 cloudcommunity@tencent.com 删除

https

网络安全

本文分享自生信补给站微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

https

网络安全

登录后参与评论

0 条评论

热度