survivalAnalysis——生存分析和相关图的高级接口
导语
GUIDE ╲
右删失数据：在随访中，观察起始时间已知，但终点事件的发生时间未知，无法获取具体的生存时间，这种类型的生存时间称为右删失。右删失是实际研究中最常见的数据删失类型。进行生存分析需要标准的分析方法，常见于临床肿瘤学的试验报告论文中。
协变量：在实验的设计中，协变量是一个独立变量(控制变量)，不为实验者所操纵，但仍影响实验结果，如年龄。
survivalAnalysis包介绍
#Depends: R (>= 3.3.0)
#Date/Publication: 2020-04-17
install.packages("survivalAnalysis")
library("survivalAnalysis")
help(package="survivalAnalysis")#全是套路~~~1. analyse_multivariate:使用多重协变量对右删失数据进行Cox回归。
library(magrittr);library(dplyr)
survival::colon %>% analyse_multivariate(vars(time, status), vars(rx, sex, age, obstruct, perfor, nodes, differ, extent)) %>% forest_plot()
#%>%：dplyr包中的管道传参
data=survival::colon
head(data)#数据要求非常简单，包含“time”&“status”列和其他病例信息的数据框
aa1=analyse_multivariate(data=data,time_status=c("time","status"),
covariates=c("rx", "sex", "age", "obstruct", "perfor", "nodes", "differ", "extent"));print(aa1)
#sort_frame_by：包含一个或多个符号列名的vars()列表。可以指定应该根据输出结果中哪些变量排序，默认HR。
forest_plot(aa1)
2. analyse_survival:使用单协变量或无协变量对右删失数据进行生存分析。
data=survival::colon
head(data)
aa2=analyse_survival(data=data,time_status=c("time","status"),by="sex"
#by_label_map = NULL,
#by_order_vector = NULL,
#cox_reference_level = NULL,
#p_adjust_method = "none"
)
forest_plot(aa2,use_one_hot=T)
adhere:黏附临近组织，显著的风险因素
3. forest_plot :根据生存分析结果创建森林图。单变量结果和多变量均可。
#aa1=analyse_multivariate(data=data,time_status=c("time","status"),covariates=c("rx", "sex", "age", "obstruct", "perfor", "nodes", "differ", "extent"))
forest_plot(aa1,
use_one_hot = F,#如果为TRUE，将接受来自analyse_survival的单变量结果。
relative_widths=c(2,1,2),#图、标签、图、值的宽度的关系,默认c(1,1,1)。
labels_displayed=c("endpoint","factor","n"),#确定左表中显示的内容和顺序
label_headers=c(endpoint="Endpoint",factor="Subgroup",n="n"),
values_displayed=c("HR","CI","p"),#确定右表中显示的内容和顺序
value_headers=c(HR="HR",CI="CI",p="p",n="n",subgroup_n="n"),
p_lessthan_cutoff=0.001,#p值
title="Survival analysis forest plot",#加标题
title_relative_height=0.8
)
4. forest_plot_grid：在一个画板上创建多个森林图。
pp=forest_plot(aa1)
forest_plot_grid(list(pp,pp,pp),
nrow = NULL, ncol = NULL,#行列的数目
)
5. kaplan_meier_plot:根据生存结果绘制Kaplan Meier图。
kaplan_meier_plot(aa2,#analyse_survival生存分析结果
break.time.by="breakByMonth",#breakByYear,breakByHalfYear,breakByQuarterYear,
xlab=".OS.months",#xlab: {.OS,.PFS,.TTF,.DFS}.{years,months,days}
hazard.ratio=TRUE,
risk.table=TRUE,
ggtheme=ggplot2::theme_bw(10),
#table.layout="clean",
)
看这密密麻麻的数字，陷入了自我怀疑......其实修改一个参数就好了
kaplan_meier_plot(aa2,#
break.time.by="breakByYear",#改了这个参数值
xlab=".OS.years",
hazard.ratio=TRUE,
risk.table=TRUE,
ggtheme=ggplot2::theme_bw(10),
table.layout="clean",#去掉多余的网格边框
)
6. kaplan_meier_grid:kaplan meier的网格图。
aa2=analyse_survival(data=data,time_status=c("time","status"),by="sex")
aa3=analyse_survival(data=data,time_status=c("time","status"),by="node4")
aa4=analyse_survival(data=data,time_status=c("time","status"),by="adhere")
kmg=kaplan_meier_grid(
list(aa2,aa3,aa4),break.time.by="breakByYear",
nrow = 1,# ncol = NULL,行列数目
legend.title=c("sex","node4","adhere"),#图例，其他ggsurvplot支持的所有参数都可以传递给kaplan_meier_grid
title = "kaplan_meier_plot",
surv.plot.height = 5,
risk.table=TRUE,
risk.table.height = 3,
ncensor.plot.height = 1,
)
print(kmg)#展示图片
ggsave("kaplan_meier_grid.pdf", kmg)#保存
管道函数%>%
不知道大家是否注意到1.中有这样一行代码
library(dplyr)
survival::colon %>%
analyse_multivariate(vars(time, status),
vars(rx, sex, age, obstruct, perfor, nodes, differ, extent)) %>%
forest_plot()
####简单解释一下
#第一个%>%
data=survival::colon
#传递给vars()提取需要的数据列，为analyse_multivariate()提供参数
am=analyse_multivariate(data=data,time_status=c("time","status"),
covariates=c("rx", "sex", "age", "obstruct", "perfor", "nodes", "differ", "extent"))
#第二个%>%
#将上一步Cox回归分析结果传递给forest_plot()用于做图
forest_plot(am)
％>％是dplyr包的管道函数，能够将上一步的结果传递给下一步的函数作为参数,具体用法就是 x %>% f(y)—> f(x, y)。省略中间步骤，看起来更加简洁，省空间省内存啊有没有。
小编总结
survivalAnalysis包是一个进行生存分析的高级接口，包括Kaplan-Meier分析和log-rank检验以及（多重协变量（analyse_multivariate()）Cox回归等。在'survminer'包的基础上构建Kaplan-Meier绘图功能，实现可定制的forest绘图。上周我们介绍过survminer包，主要功能函数ggsurvplot()中的参数时可以在survivalAnalysis包中kaplan_meier_plot(),kaplan_meier_grid()进行传递使用。且支持在管道中使用。
腾讯云开发者
