今天学习用森林图展示COX生存分析
1.数据准备
setwd("E:\\MATH")
load('clin.LIHC.Rdata')
df<-subset(clin.LIHC,select =c(submitter_id,vital_status,days_to_death,days_to_last_follow_up,age_at_diagnosis,weight,height,gender))
df2 <- df
# 将status表示患者结局，1表示删失，2表示死亡
df2[df2$vital_status=='Dead',]$vital_status <- 2
df2[df2$vital_status=='Alive',]$vital_status <- 1
df2$vital_status <- as.numeric(df2$vital_status)
#将 days_to_death 和 days_ to_last_follow_up 合并为一列
df2$time <- df2$days_to_death
df2$time[which(is.na(df2$time))] <- df2$days_to_last_follow_up[which(is.na(df2$time))]
df2$age=df2$age_at_diagnosis/365#把日变成年
#colnames(meta)=c('ID','event','race','age','gender','stage',"days")#改变取出的几组的名字
数据格式如下
df1.png
2.构建COX回归模型
对LIHC队列进行Cox回归分析，时间变量是time，结局变量是status，自变量选择 age和gender，结果如下：
library(survival)
library(survminer)
model <- coxph( Surv(time, vital_status) ~ gender + age , data = df2 )
model
#Call:
#coxph(formula = Surv(time, vital_status) ~ gender + age, data = df2)
# coef exp(coef) se(coef) z p
#gendermale -0.131112 0.877120 0.186485 -0.703 0.482
#age 0.009764 1.009812 0.007088 1.377 0.168
#Likelihood ratio test=3.03 on 2 df, p=0.2197
#n= 372, number of events= 130
# (5 observations deleted due to missingness)
结果不显著，但是我们仍然可以绘制森林图。
3.绘制森林图
#基础森林图
ggforest(model, data = df2)
#优化森林图
model <- coxph( Surv(time, vital_status) ~ gender + age , data = df2 )
ggforest(model, #coxph得到的Cox回归结果
data = df2, #数据集
main = 'Hazard ratio of LIHC', #标题
cpositions = c(0.01, 0.15, 0.35), #前三列距离,从前往后看
fontsize = 1, #字体大小
refLabel = 'reference', #相对变量的数值标签，也可改为1
noDigits = 3 #保留HR值以及95%CI的小数位数
)
基础森林图.png
优化森林图.png
方法很重要，可以依葫芦画瓢。
参考文章：Forest plot（森林图） | Cox生存分析可视化
