展开引用
unstuck
希望您能看完！或许对你也有帮助呢。如题，在做一个预后分析，想要看一下这个变量是否是OS的预测因子。用例子来说吧：比如我想要建立一个预后模型，预后事件为总体生存OS，预测因子包括肿瘤T分期，分级Grade，年龄性别等基础变量，最重要的是我要加入一个变量比如C反应蛋白CRP，看他是否是一个预测因子。-------梳理一下：自变量为Tstage，Grade，Gender，Age，CRP；结局事件OS。---------继续，CRP是一个连续变量，我知道可以直接纳入做COX模型，但是现在我想要把他变成二分类变量为高CRP与低CRP这两类，建立新的模型，那么问题来了，我怎么去确定这个最佳cutoff值？-------------------------------参考：我看了很多发表在10多分的杂志上的文章有这三种描述来确定最佳cutoff值：1.
用ROC的方法，以OS结果为标准，制作CRP-OS的ROC曲线（类似于诊断试验的最佳cutoff值确定）。
2. Associations with patient outcome were
evaluated with CRP analyzed as a continuous variable and a cut-off
point of 2.7. This was obtained by using a visual assessment of the
functional formof the association of CRP with patient outcome (ie,
a plot of Martingale residuals
from a null Cox model against CRP).
这个方法完全没看懂，即使我特意去看了这个Martingale residuals也没看懂。
3.以Harrell C-index最大值对应的CRP的cutoff值则为最佳cutoff值，这个很好理解，我也知道怎么去算这个C指数，但是我总不能每个CRP的cutoff都去做一次C-index吧，那么请问有什么办法这样用计算机去做这样的重复试验呢？（比如我设定CRP的cutoff=5时对应有一个C-index，=6时又有一个C-index，=4时也有一个C-index，是不是有个叫bootstrap的方法重复抽样的东东？）-------------------------------我对第一个方法持怀疑态度，感觉不靠谱，后面这两个真的不懂，也不知道怎么搞，希望有人指点一下。谢谢！（现在肿瘤预后研究这么流行，说不定你以后就能用到呢.......） 对于楼主的孜孜不倦的精神表示由衷赞赏。楼主的疑问是非常有意思、也很有意义的问题。
明确一下你的核心问题，如何对连续变量X进行合理有效二分类，使得结果表达起来更有意义？
方法一：这种做法很常见，ROC中的CUTOFF值本质上是灵敏度加特异度最大的一点，也就是诊断试验用的。灵敏度升高则特异度会降低，反之亦然，cutoff
value 则是这个跷跷板中间的平衡点。用这个点做节点，我个人认为并没有特殊的涵义。当然，用这个点也可能不会错。
方法二：我没有完全懂，不同的方法可以办相同的事情，条条大路通罗马。我理解的意思是，应该是通过做CRP和outcome的平滑拟合曲线，找到CRP的拐点，至于怎么找的拐点，则可能是他说的martingale residuals这种方法。那么如何理解拐点呢。简言之，拐点左右两侧X对Y的效应值大小不一样。举例子，开始Y随X增大而增大，当X到一定值时，Y不再随X增大再增大了，或者增大幅度降低了，这就是通常所说的饱和效应；开始Y不随X增大而增大，当X到一定数值时，Y开始随X的增大而增大，这就是平时常听到的阈值效应。这个时候我们拿饱和效应或阈值效应的拐点来分割X是有效的、是有意义的。
反之，X对Y做散点图【或平滑拟合曲线】，会得出很多种情况的图形，如到U型，正U型等等。这个时候拿正U或者倒U的拐点去分割CRP则是无效的，因为结果会发现CRP对Y没有作用了，事实上有作用，是因为拐点没有选对。
方法三：我不懂，但是你懂，感觉真好。
总而言之，如何把CRP很好得划分为二分类变量，这个问题确实有意义。分好了，可以很好得展现CRP对outcome的作用，分不好，则会掩盖CRP对outcome的作用大小。个人认为核心内容是做一个CRP与outcome的平滑拟合曲线，做这个曲线的时候最好校正一下必要的混杂因素，也无需校正太多，因为找拐点无需很精确，如果观点大概对应21，那么我们也可认为定位20【接近参考值范围】。另外，高深的统计方法不一定是最好的方法，说明白问题就OK了。
|
