❶ 森林图forest plot、nomogram的解读
参考1
https://www.sohu.com/a/225438746_489312
一文带你玩转森林图！
参考2
https://zhuanlan.hu.com/p/85790353
手把手教你用R画列线图(Nomogram)及解读结果 - 知乎 (hu.com)
森林图的内容包括：
列线图的内容主要包括三类：
❷ Rnomogram里 linear predictor这个轴有什么用处求解答。
nomogramlinearpredictor释义诺模图线性预测nomogram英-['nɔməɡræm]美-['nɔməɡræm]释义n.诺模图；列线图；计算图表
❸ TCGA+biomarker——Calibration curve
通常情况下，通过以下几种指标来 对模型进行评价 。
1）区分度： 采用指标C-index和ROC曲线来评价区分度，一般文章都是二选一。
这里先介绍Calibration curve...................
Calibration curve，直译过来就是校准曲线或校准图。其实，校准曲线就是实际发生率和预测发生率的散点图。实质上，校准图曲线是把Hosmer-Lemeshow拟合优度检验的结果可视化。目前校准曲线常用来评价logistic回归和cox回归模型。
不同数据集的校准曲线
不同时间的校准曲线
不同模型的校准曲线
解读： 横坐标为预测的事件发生率（Predicted Probablity），纵坐标是观察到的实际事件发生率（Actual Rate），范围均为0到1，可以理解为事件发生率（百分比）。对角线的虚线是参考线，即预测值=实际值的情况。红线是曲线拟合线，两边带颜色部分是95%CI。
经过查阅多个教程，校准曲线就是以预测值为X轴，真实值为Y轴绘制，Hosmer-Lemeshow拟合优度检验结果的可视化的图。真实值即为status值，比如生存（0：生；1:死），0—1代表了真实的死亡风险。预测值是根据构建好的模型预测出每个患者的死亡风险，采用predict()函数返回风险评分值，并将该评分值加以转化成更为直观的风险值。在得到真实值和预测值的基础上进行校准曲线的绘制和显着性检验。以下是两种比较简单的矫正曲线方法，但成图都比较单调，不够美观。方法1采用的是rms包的calibrate函数（输入构建模型即可，简单）。方法2先计算出预测值和真实值，然后用plotCalibration函数绘图。
总结： 校准曲线是一种评价模型的方法，在实际项目中应该是构建好模型，然后评价模型，改善模型，确定最终模型（C-index/ROC/DCA结果表明模型合格），最后对模型进行可视化展示（如森林图、列线图，生存点图等）。
往期回顾
TCGA+biomarker——常见结果展示
TCGA+biomarker——Sample基线表
TCGA+biomarker——单因素Cox回归
TCGA+biomarker——多因素Cox回归
TCGA+biomarker——Cox回归森林图
TCGA+biomarker——Nomogram列线图
更多内容可关注公共号“YJY技能修炼”~~~
❹ 想用R语言画个列线图为什么一直出错
想用R语言画个列线图为什么一直出错
VC++是微软公司开发的一个IDE(集成开发环境),换句话说,就是使用c++的一个开发平台.有些软件就是这个编出来的...另外还有VB,VF.只是使用不同语言...但是,
vc++是Windows平台上的C++编程环境，学习VC要了解很多Windows平台的特性并且还要掌握MFC、ATL、COM等的知识，难度比较大。Windows下编程需要了解Windows的消息机制以及回调（callback）函数的原理；MFC是Win32API的包装类，需要理解文档视图类的结构，窗口类的结构，消息流向等等；COM是代码共享的二进制标准，需要掌握其基本原理等等。
❺ 利用rms包points_cal函数计算列线图每个患者的得分
用法如下
library(rms)
TotalPoints.rms(rd, fit, nom, kint = NULL)
首先载入rms包，rd为原始数据的data.frame，fit为构建列线图时候的函数，kint没录入过，示例如下
欢迎批评指正
❻ R语言绘制Nomogram并进行简单的美化处理
rm(list=ls())##清除之前数据
library(rms) ###加载rms包#
library(foreign)
library(survival)
library(rmda)
##install.packages("DynNom")
library(DynNom)
setwd("C://Users//zhanglingyu//Desktop//测试") #设置工作目录
rt<- read.table('测试.txt',header=T,sep="\t")
head(rt) #查看前5行的数据
str(rt)
##接着对所有变量数据进行打包
ddist <- datadist(rt) #将数据打包
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)) ##设置画布
nomogram <- nomogram(model1,fun=function(x)1/(1+exp(-x)), ##逻辑回归计算公式
fun.at = c(0.001,0.01,0.05,seq(0.1,0.9,by=0.1),0.95,0.99,0.999),#风险轴刻度
funlabel = "Risk of Alzheimer Disease", #风险轴便签
lp=T, ##是否显示系数轴
conf.int = F, ##每个得分的置信度区间，用横线表示,横线越长置信度越
abbrev = F#是否用简称代表因子变量
)
plot(nomogram,
#1.变量与图形的占比
xfrac=.35,
#2.变量字体加粗
cex.var=1,
#3.数轴：字体的大小
cex.axis=0.8,
#4.数轴：刻度的长度
tcl=-0.5,
#5.数轴：文字与刻度的距离
lmgp=0.3,
#6.数轴：刻度下的文字，1=连续显示，2=隔一个显示一个
label.every=1,
#7.1个页面有几个数轴(这个可以压缩行间距)
naxes=13,
#8.垂直线的颜色.
col.grid=gray(c(0.8, 0.95)),
#9.线性预测轴名字
lplabel="Linear Predictorlp",
#10变量分数名字
points.label='Points',
#11总分名字
total.points.label='Total Points',
force.label=F#没啥用TRUE强制标记的每个刻度线都绘制标签，我也没研究明白
)
#运行以展示Nomogram每个变量的分数
model1
##生成改良诺模图
plot(nomogram,col.grid = c("Tomato2","DodgerBlue"))