R语言绘制复杂加权数据（nhanes数据）多模型生存分析决策曲线
决策曲线分析（Decision Curve Analysis, DCA）是一种用于评估、比较和优化诊断试验、预测模型或分子标志物临床实用性的统计方法。它由Andrew J. Vickers和Eugene B. Elkin于2006年提出，旨在弥补传统统计指标（如灵敏度、特异度、ROC曲线下面积）在评估模型临床价值方面的不足。
在既往文章，本人介绍了我的ggscidca包，可以用于逻辑回归，生存分析等各种决策曲线绘制，但是据我所知，目前还没有R包能支持复杂加权数据（nhanes数据）生存分析决策曲线，在上篇文章《R语言绘制复杂加权数据（nhanes数据）生存分析决策曲线》我已经介绍了R语言绘制复杂加权数据（nhanes数据）生存分析决策曲线，目前我继续升级了ggscidca包，使得它能进一步支持nhanes多模型生存分析决策曲线，
下面我来演示一下，先导入数据和R包
library(survey)library(ggscidca)library(scinhanes)bc<-read.csv("E:/r/test/nahnesme.csv",sep=',',header=TRUE)bc<-na.omit(bc)
我介绍一下数据，SEQN：序列号，RIAGENDR, # 性别， RIDAGEYR, # 年龄，RIDRETH1, # 种族，DMDMARTL, # 婚姻状况，WTINT2YR,WTMEC2YR, # 权重，SDMVPSU, # psu，SDMVSTRA，# strata，LBDGLUSI, #血糖mmol表示，LBDINSI, #胰岛素( pmmol/L)，PHAFSTHR #餐后血糖，LBXGH #糖化血红蛋白，SPXNFEV1, #FEV1：第一秒用力呼气量，SPXNFVC #FVC：用力肺活量，ml（估计肺容量），LBDGLTSI #餐后2小时血糖，factor.FVC是我把肺活量分为了2分类，方便用于测试。
把分类变量转成因子
bc$DMDMARTL<-ifelse(bc$DMDMARTL==1,1,0)bc$RIAGENDR<-as.factor(bc$RIAGENDR)bc$RIDRETH1<-as.factor(bc$RIDRETH1)bc$DMDMARTL<-as.factor(bc$DMDMARTL)bc$oGTT2<-as.factor(bc$oGTT2)如果做预测模型要拆分成建模集和验证集。我这里拆分一下
set.seed(123)tr1<-sample(nrow(bc),0.7*nrow(bc))##随机无放抽取bc_train<-bc[tr1,]#70%数据集bc_test<-bc[-tr1,]#30%数据集建立抽样调查函数
bcSvy2<-svydesign(ids=~SDMVPSU,strata=~SDMVSTRA,weights=~WTMEC2YR,nest=TRUE,data=bc_train)建立生存分析模型
svyfit<-svycoxph(Surv(time,factor.FVC)~RIDAGEYR+RIAGENDR+LBDINSI+RIDRETH1,x=TRUE,design=bcSvy2)复习一下单个决策曲线模型的内容，绘制复杂加权数据（nhanes数据）决策曲线一共需要2步：
- 第一步，把模型变成ggscidca包能够识别的类型
fit<-scisvycoxphmodel(svyfit,username=username,token=token)- 绘制决策曲线
scidca(fit)
绘制多模型的决策曲线其实就是复制单个决策曲线的过程，由两种情况：
- 就是同一个模型多个时间点的
fit1<-scisvycoxphmodel(fit=svyfit,timepoint=300,username=username,token=token)fit2<-scisvycoxphmodel(fit=svyfit,timepoint=500,username=username,token=token)fit3<-scisvycoxphmodel(fit=svyfit,timepoint=700,username=username,token=token)制作数据列表的绘图，如果你既往使用过ggscidca包，是一模一样的，上手0困难
newdat<-list(bc_train,bc_train,bc_train)cox.tcdca(fit1,fit2,fit3,newdata=newdat,timepoint=c(300,500,700))
2. 第二个情况就是多个模型同一个时间点的
###多个模型一个时间点
svyfit1<-svycoxph(Surv(time,factor.FVC)~RIDAGEYR,x=TRUE,design=bcSvy2)svyfit2<-svycoxph(Surv(time,factor.FVC)~RIDAGEYR+RIAGENDR,x=TRUE,design=bcSvy2)svyfit3<-svycoxph(Surv(time,factor.FVC)~RIDAGEYR+RIAGENDR+LBDINSI+RIDRETH1,x=TRUE,design=bcSvy2)因为模型不同，都要转换一遍
###转换模型fit1<-scisvycoxphmodel(svyfit1,username=username,token=token)fit2<-scisvycoxphmodel(svyfit2,username=username,token=token)fit3<-scisvycoxphmodel(svyfit3,username=username,token=token)绘图
newdat<-list(bc_train,bc_train,bc_train)cox.tcdca(fit1,fit2,fit3,newdata=newdat,timepoint=c(300))
支持自定义颜色
cox.tcdca(fit1,fit2,fit3,newdata=newdat,timepoint=c(300),lincol=c("#E41A1C","#377EB8","#4DAF4A","#984EA3","#FF7F00"))