三、使用「pROC」比較兩個預測變項的曲線下面積
接著安裝並呼叫「pROC」（compare ROC）套件，由於更換了套件，因此此時要再 attach 一次資料集「proteinuria」。
再來創造「roc1」物件，括號前面的「proteinuria$AKI」表示資料集「proteinuria」中的「AKI」這個變項是結果變項；括號後面的「proteinuria$SOFA」則是資料集「proteinuria」中的「SOFA」這個變項是預測變項。
「roc2」物件的預測/解釋變項則是「proteinuria$Proteinuria」，這邊要注意大小寫的問題，「$」後面的「Proteinuria」是資料裡頭的變項是大寫的 P。
最後用『roc.test』比較 roc1 跟 roc2 的曲線下面積（area under the curve），其中「method」有 "delong", "bootstrap", "venkatraman" 等方法，其中以 "delong" 最常使用。
報表下方會有 roc1（SOFA）跟 roc2（Proteinuria）的曲線下面積分別為78.9% 跟 65.9%。報表上方有 DeLong’s test，可看到 p-value 達顯著水準，表示單獨比較 SOFA 跟 Proteinuria 對於結果變項的區別能力時，是 SOFA 的表現比較好。
可注意到上方報表並沒有標準誤或信賴區間的資訊，因此需要額外再以『var』指令得出曲線下面積的變異數。下方報表可見 roc1（SOFA）的變異數為 0.0007645237，將其開根號即為標準誤差（SE），計算出來為「0.027650022」，再跟 78.9% 加減 1.96 倍的SE即為 95% 信賴區間，計算得出為『0.735137557 to 0.843525643』，即73.5% to 84.4%。
四、使用「PredictABEL」得到整個模式的預測機率
大家可注意到在上述使用「pROC」的示範中，是單獨比較 SOFA 跟 Proteinuria 這兩個解釋/預測變項的區別效果，但我們有興趣的可能是『兩個模型之間的差異』，如下所示。
Model 1: SOFA + Age + Male + DM + SBP
Model 2: Proteinuria + SOFA + Age + Male + DM + SBP
在此我們安裝且呼叫「PredictABEL」套件，重新讀入資料、宣告 data.frame 以及 attach 資料
以下語法中的「cOutcome」右邊的 2 代表從資料由左至右第二個欄位是結果變項（AKI）；「cNonGenPred1」則是自變項的組合，共五個，「cNonGenPred2」則有六個自變項。「cNonGenPredCat1」跟「cNonGenPredCat2」則是宣告類別變項，例如三類或三類以上的類別變項。若是連續變項或兩類的類別變項，在「cNonGenPred」裡頭定義即可。而下方的「cGenPred」跟「cGenPredsCat」則是 genetic predictors，通常我們不會使用到，輸入「0」即可。
執行之後，會發現畫面右上方的多了一個「Values」區塊，裡頭會羅列上述定義的數值。
接著使用「fitLogRegModel」指令配適 binary logistic model，分別創造 riskmodel1 跟 riskmodel2 的物件。
再來使用「predRisk」指令得到上述兩個多變項模式的預測機率，物件分別命名為 predRisk1 跟 predRisk2，執行之後會發現右上角出現新的數值。接著再利用 data.frame 將這兩個數值變更為資料框架，命名為 pred1 跟 pred2，執行之後就會發現右上角資料集清單出現了兩個新的資料。
再來使用「cbind」將「proteinuria」資料集跟剛剛新創造的「pred1」及「pred2」資料集合併，並命名為「data1」，執行語法後可看到畫面右上方多出一個「data1」資料集。
資料整併完成後，使用第三步驟「pROC」的指令創造 roc 物件以及用 roc.test 比較兩個物件的曲線下面積。
可見模式一（沒有Proteinuria）以及模式二（有Proteinuria）的 AUC 分別是82.4% 以及 84%。不過 DeLong’s test 僅達邊緣顯著，且 AUC 的增加也只有 1.6%，並不具有臨床顯著性。
留言列表
{{ article.title }}