❶ 森林圖forest plot、nomogram的解讀
參考1
https://www.sohu.com/a/225438746_489312
一文帶你玩轉森林圖！
參考2
https://zhuanlan.hu.com/p/85790353
手把手教你用R畫列線圖(Nomogram)及解讀結果 - 知乎 (hu.com)
森林圖的內容包括：
列線圖的內容主要包括三類：
❷ Rnomogram里 linear predictor這個軸有什麼用處求解答。
nomogramlinearpredictor釋義諾模圖線性預測nomogram英-['nɔməɡræm]美-['nɔməɡræm]釋義n.諾模圖；列線圖；計算圖表
❸ TCGA+biomarker——Calibration curve
通常情況下，通過以下幾種指標來 對模型進行評價 。
1）區分度： 採用指標C-index和ROC曲線來評價區分度，一般文章都是二選一。
這里先介紹Calibration curve...................
Calibration curve，直譯過來就是校準曲線或校準圖。其實，校準曲線就是實際發生率和預測發生率的散點圖。實質上，校準圖曲線是把Hosmer-Lemeshow擬合優度檢驗的結果可視化。目前校準曲線常用來評價logistic回歸和cox回歸模型。
不同數據集的校準曲線
不同時間的校準曲線
不同模型的校準曲線
解讀： 橫坐標為預測的事件發生率（Predicted Probablity），縱坐標是觀察到的實際事件發生率（Actual Rate），范圍均為0到1，可以理解為事件發生率（百分比）。對角線的虛線是參考線，即預測值=實際值的情況。紅線是曲線擬合線，兩邊帶顏色部分是95%CI。
經過查閱多個教程，校準曲線就是以預測值為X軸，真實值為Y軸繪制，Hosmer-Lemeshow擬合優度檢驗結果的可視化的圖。真實值即為status值，比如生存（0：生；1:死），0—1代表了真實的死亡風險。預測值是根據構建好的模型預測出每個患者的死亡風險，採用predict()函數返回風險評分值，並將該評分值加以轉化成更為直觀的風險值。在得到真實值和預測值的基礎上進行校準曲線的繪制和顯著性檢驗。以下是兩種比較簡單的矯正曲線方法，但成圖都比較單調，不夠美觀。方法1採用的是rms包的calibrate函數（輸入構建模型即可，簡單）。方法2先計算出預測值和真實值，然後用plotCalibration函數繪圖。
總結： 校準曲線是一種評價模型的方法，在實際項目中應該是構建好模型，然後評價模型，改善模型，確定最終模型（C-index/ROC/DCA結果表明模型合格），最後對模型進行可視化展示（如森林圖、列線圖，生存點圖等）。
往期回顧
TCGA+biomarker——常見結果展示
TCGA+biomarker——Sample基線表
TCGA+biomarker——單因素Cox回歸
TCGA+biomarker——多因素Cox回歸
TCGA+biomarker——Cox回歸森林圖
TCGA+biomarker——Nomogram列線圖
更多內容可關注公共號「YJY技能修煉」~~~
❹ 想用R語言畫個列線圖為什麼一直出錯
想用R語言畫個列線圖為什麼一直出錯
VC++是微軟公司開發的一個IDE(集成開發環境),換句話說,就是使用c++的一個開發平台.有些軟體就是這個編出來的...另外還有VB,VF.只是使用不同語言...但是,
vc++是Windows平台上的C++編程環境，學習VC要了解很多Windows平台的特性並且還要掌握MFC、ATL、COM等的知識，難度比較大。Windows下編程需要了解Windows的消息機制以及回調（callback）函數的原理；MFC是Win32API的包裝類，需要理解文檔視圖類的結構，窗口類的結構，消息流向等等；COM是代碼共享的二進制標准，需要掌握其基本原理等等。
❺ 利用rms包points_cal函數計算列線圖每個患者的得分
用法如下
library(rms)
TotalPoints.rms(rd, fit, nom, kint = NULL)
首先載入rms包，rd為原始數據的data.frame，fit為構建列線圖時候的函數，kint沒錄入過，示例如下
歡迎批評指正
❻ R語言繪制Nomogram並進行簡單的美化處理
rm(list=ls())##清除之前數據
library(rms) ###載入rms包#
library(foreign)
library(survival)
library(rmda)
##install.packages("DynNom")
library(DynNom)
setwd("C://Users//zhanglingyu//Desktop//測試") #設置工作目錄
rt<- read.table('測試.txt',header=T,sep="\t")
head(rt) #查看前5行的數據
str(rt)
##接著對所有變數數據進行打包
ddist <- datadist(rt) #將數據打包
options(datadist='ddist')
model1<- lrm(rt$fustat ~ Age+Gender+Tau+EMPG+Glu+HCY+VB12+ALB, data = rt)
summary(model1)
par(mgp=c(1.6,0.6,0),mar=c(2,2,2,2)) ##設置畫布
nomogram <- nomogram(model1,fun=function(x)1/(1+exp(-x)), ##邏輯回歸計算公式
fun.at = c(0.001,0.01,0.05,seq(0.1,0.9,by=0.1),0.95,0.99,0.999),#風險軸刻度
funlabel = "Risk of Alzheimer Disease", #風險軸便簽
lp=T, ##是否顯示系數軸
conf.int = F, ##每個得分的置信度區間，用橫線表示,橫線越長置信度越
abbrev = F#是否用簡稱代表因子變數
)
plot(nomogram,
#1.變數與圖形的佔比
xfrac=.35,
#2.變數字體加粗
cex.var=1,
#3.數軸：字體的大小
cex.axis=0.8,
#4.數軸：刻度的長度
tcl=-0.5,
#5.數軸：文字與刻度的距離
lmgp=0.3,
#6.數軸：刻度下的文字，1=連續顯示，2=隔一個顯示一個
label.every=1,
#7.1個頁面有幾個數軸(這個可以壓縮行間距)
naxes=13,
#8.垂直線的顏色.
col.grid=gray(c(0.8, 0.95)),
#9.線性預測軸名字
lplabel="Linear Predictorlp",
#10變數分數名字
points.label='Points',
#11總分名字
total.points.label='Total Points',
force.label=F#沒啥用TRUE強制標記的每個刻度線都繪制標簽，我也沒研究明白
)
#運行以展示Nomogram每個變數的分數
model1
##生成改良諾模圖
plot(nomogram,col.grid = c("Tomato2","DodgerBlue"))