预测模型校准曲线 | Calibration curve (中篇：基于Cox模型)

预测未来，就必然受到时间的影响。

如果预测患者1年的死亡率

需要建立预测模型计算

如果预测患者100年死亡率

不需要复杂的计算

死亡概率99%以上

因此建立预测模型及模型评价

时间是需要考虑的

方案一：不问早晚，只要结局

例如预测住院期间是否发生并发症，住院第一天或最后一天发生的并发症，都认为是在住院期间发生了事件。不关注早晚，只关注结局。

通常根据临床意义确定时间段。数据结构和软件操作之前的微信推文已经分享了：预测模型校准曲线 | Calibration curve (上篇)

方案二：考虑时间，预测结局

1

论文实例

2008年发表在J Clin Oncol 的预测结肠癌复发的研究。Individualized prediction of colon cancer recurrence using a nomogram.

图3是校准曲线（Calibration curve），AB两图分别预测60个月和120个月结局事件。横纵坐标分别是预测概率和实际概率。本研究考虑到发生事件的时间，运用Cox模型建立列线图（Nomogram）并绘制校准图。论文统计方法部分描述如下：

操作实例

例如：用多个临床指标（年龄、性别和BMI）建立结局指标的预测模型，绘制校准曲线。

首先看数据结构：

1. 需要有结果变量（是否发生事件），事件可以是死亡（是/否），也可以是发病(是/否）。通常没有发生事件编码为0，发生事件编码为1。

2. 生存分析是考虑到时间的，因此数据中需要有时间变量（time），时间变量是末次随访到患者的日期减去随访开始日期，单位可以是日、月或年等（连续变量）。

3. 把原始数据整理到一张表中，每个研究对象一行，全数字编码，缺失的数据可以空着。

例如本表中：

• 编号=1的患者：随访到72天时没有发生事件，时间（time）=72，结局（Outcome）=0

• 编号=2的患者：随访到275天时发生事件了，时间=275，结局=1

软件操作

第一步：选择数据操作的“计算残差与预测值”模块，给出结果变量、自变量（即用于建立预测模型的指标）、时间变量和预测时间，点击查看结果。

说明：只要给出时间变量，就是选择用Cox模型拟合生存状态。“预测时间”如果空着，则使用研究对象的观察时间（有长有短）；如果要预测某时间段内的事件，就手动输入时间。例如这里输入50，表示预测50个月时的事件，还是调用Cox模型计算的。

得出后缀是PRED的新变量，范围是0-1，表明基于Cox模型预测的发生事件的风险。

第二步：数据操作菜单下的“平滑曲线拟合”模块，给出应变量（结局指标）、暴露变量（上一步得出的预测值），点击查看结果。

结果出来了，横坐标预测的事件发生率，纵坐标是实际事件发生率。红线是曲线拟合线，蓝线是95%CI。绿线是参考线，即预测值=实际值的情况。可见当风险较高时（34%）红线在绿线的下面，表明预测风险高于实际风险。

这个曲线拟合的Calibration curve 放在文章中

可以瞬间增加“颜值”

注意：易侕软件输出的是曲线拟合 95%CI的图（png图片和pdf格式），以及用于绘制曲线的原始数据（Excel格式）。参考线（如上图绿线）是后期做图添加的，其实很简单，两点连起来就是一条，本例中把0.4和0.8对应的横纵线一画，找到两个交点后连线就ok啦。