当前位置：首页 > news >正文

h5可以做网站么百度客服电话24小时客服电话

news 2025/10/6 22:01:08

h5可以做网站么,百度客服电话24小时客服电话,亿联时代网站建设,wordpress调用百度网盘视频播放器大家在进行生存预后分析时发现结果不显著，是不是当头一棒！两眼一黑！难不成这就代表我们的研究没意义吗？NONONO！别慌！说不定还有救！快来看看最佳阈值能不能捞你一把！ 对生存分析感兴趣…

大家在进行生存预后分析时发现结果不显著，是不是当头一棒！两眼一黑！难不成这就代表我们的研究没意义吗？NONONO！别慌！说不定还有救！快来看看最佳阈值能不能捞你一把！

对生存分析感兴趣的小伙伴可以查看：看完不会来揍我 | 生存分析详解 | 从基础概念到生存曲线绘制 | 代码注释 + 结果解读

生存分析不显著怎么办

通常情况下，为了确定一个二分变量（例如基因表达高/低）的最佳阈值，我们可能会使用中位数作为阈值，将样本分为两组，然后对生存曲线进行比较。但有时候使用中位数作为阈值可能并不足以找到显著的差异，这时可以考虑使用最佳阈值方法来寻找更加适合的阈值。来！咱们今天就一起去xio习一下！

老规矩！本文所用到的数据和代码，我已经上传到了GitHub，有需要的话，大家可以在公众号后台回复最佳阈值即可获得存放数据的链接，很多需要注意的问题也会在代码注释中进行详细说明。不过我在分享过程中也会把每一步的输入数据和输出结果进行展示，大家可以作为参考并调整自己的数据格式，然后直接用自己的数据跑，也是没有任何问题的！

# 生存预后不显著？最佳阈值来帮你！# 加载包，没安装的记得安装一下哟！
library(survival)
library(survminer)# 加载数据
best_threshold_data <- read.csv("./best_threshold_data.csv")
head(best_threshold_data)
#            sample risk_score OS OS.time
# 1 TCGA-06-0878-01   2.538694  0     218
# 2 TCGA-26-5135-01   3.736050  1     270
# 3 TCGA-06-5859-01   3.701219  0     139
# 4 TCGA-06-2563-01   3.318001  0     932
# 5 TCGA-41-2571-01   5.102783  1      26
# 6 TCGA-28-5207-01   6.899652  1     343# 数据包含了四列：样本名称（sample）、风险评分（risk_score）、生存状态（OS）和生存时间（OS.time）。# 使用中位数作为阈值来将样本分为高风险组和低风险组
# 如果风险评分大于等于中位数，则标记为"High Risk"，否则标记为"Low Risk"
best_threshold_data$group <- ifelse(best_threshold_data$risk_score >= median(best_threshold_data$risk_score), "High Risk", "Low Risk")# 创建生存对象（Surv对象），包含生存时间和生存状态信息
surv_obj <- Surv(time = best_threshold_data$OS.time, event = best_threshold_data$OS)# 使用survfit()函数拟合生存曲线
surv_fit <- survfit(surv_obj ~ best_threshold_data$group)# 绘制生存曲线
ggsurvplot(surv_fit, data = best_threshold_data, surv.median.line = "hv",pval = TRUE,  # 显示p值xlab = "Time (days)", ylab = "Survival Probability",  # x轴和y轴标签legend.title = "",  # 图例标题为空break.x.by = 1000,  # x轴刻度间隔color = "strata",  # 根据分组着色palette = c("#bc5148", "#3090a1"))  # 自定义颜色

哎！最恶毒的诅咒莫过于“祝你P > 0.05”！！！这不显著可咋整，咱这分析不就没意义了嘛！

且慢！我们的救兵来啦！下面请欣赏它的表演！

最佳阈值选择

目前比较常见的方法有：

使用survminer包中的surv_cutpoint函数实现
使用cutoff包中的logrank函数实现
基于X-Tile软件实现

下面，咱们就挨个介绍！

`survminer`包的`surv_cutpoint`函数

# survminer包的surv_cutpoint函数
# 使用survminer包的surv_cutpoint函数来寻找最佳阈值
best_threshold_surv <- surv_cutpoint(best_threshold_data,time = "OS.time",  # 生存时间列名event = "OS",      # 生存事件列名variables = "risk_score",  # 需要寻找阈值的变量列名minprop = 0.3,     # 最小比例，防止找到的阈值过于极端progressbar = TRUE)  # 显示进度条# 查看找到的最佳阈值的摘要统计信息
summary(best_threshold_surv)
#            cutpoint statistic
# risk_score 4.420631  1.748393# 我们这里只计算了一个变量的最佳阈值，还可以计算多个变量的最佳阈值，只需将`variables`参数设为`c("变量1, "变量2", "变量3")`。# 根据找到的最佳阈值对数据进行分组
best_threshold_data <- surv_categorize(best_threshold_surv)# 创建生存对象（Surv对象），包含生存时间和生存状态信息
surv_obj <- Surv(time = best_threshold_data$OS.time, event = best_threshold_data$OS)# 使用survfit()函数拟合生存曲线
surv_fit <- survfit(surv_obj ~ best_threshold_data$risk_score)# 绘制生存曲线
ggsurvplot(surv_fit, data = best_threshold_data, surv.median.line = "hv",pval = TRUE,                    # 显示p值xlab = "Time (days)", ylab = "Survival Probability",  # x轴和y轴标签legend.title = "",             # 图例标题为空break.x.by = 1000,             # x轴刻度间隔color = "strata",              # 根据分组着色palette = c("#bc5148", "#3090a1"))  # 自定义颜色

是不是比上面显著多啦！

`cutoff`包的`logrank`函数

# cutoff包的logrank函数# 重新加载数据
best_threshold_data <- read.csv("./best_threshold_data.csv")# 加载cutoff包
library(cutoff)# 使用cutoff包的logrank函数来寻找最佳阈值
best_threshold_surv_2 <- logrank(data = best_threshold_data,time = "OS.time",  # 生存时间列名y = "OS",          # 生存事件列名x = "risk_score",  # 需要寻找阈值的变量列名cut.numb = 1,      # 截点个数n.per = 0.2,       # 分组后每组样本量占总样本量的最小比例y.per = 0.1,       # 分组后每组中较少结果的最小比例p.cut = 0.1,       # p值截断round = 5)         # 保留几位小数# 打印找到的最佳阈值及相关信息
best_threshold_surv_2[order(best_threshold_surv_2$pvalue, decreasing = F), ]
#      cut1      n           n.per     y           y.per  pvalue p.adjust
# 1 4.420631 103/51 0.66883/0.33117 76/47 0.73786/0.92157 0.07617 7.08378 # 根据找到的最佳阈值对数据进行分组
best_threshold_data$Group = ifelse(best_threshold_data$risk_score >= best_threshold_surv_2[order(best_threshold_surv_2$pvalue, decreasing = F), ][1, 1],"High Risk","Low Risk")# 创建生存对象（Surv对象），包含生存时间和生存状态信息
surv_obj <- Surv(time = best_threshold_data$OS.time, event = best_threshold_data$OS)# 使用survfit()函数拟合生存曲线
surv_fit <- survfit(surv_obj ~ best_threshold_data$Group)# 绘制生存曲线
ggsurvplot(surv_fit, data = best_threshold_data, surv.median.line = "hv",pval = TRUE,                    # 显示p值xlab = "Time (days)", ylab = "Survival Probability",  # x轴和y轴标签legend.title = "",             # 图例标题为空break.x.by = 1000,             # x轴刻度间隔color = "strata",              # 根据分组着色palette = c("#bc5148", "#3090a1"))  # 自定义颜色

虽然不如刚刚那个，但也比原来好多啦是不！

X-Tile

这个我就不详细介绍啦！有兴趣的小伙伴们可以去点点点试试！

官网：https://medicine.yale.edu/lab/rimm/research/software/

教程：https://cloud.tencent.com/developer/news/283239

小小总结

survminer包的surv_cutpoint函数
- 基于maxstat包的maxstat.test函数计算出Maximally Selected Rank Statistics，通过最大化差异来确定最佳阈值。
- 可以同时计算多个变量的最佳截断值。
- 一次只能找到一个最佳截断值，无法同时找到多个截断值。
cutoff包的logrank函数
- 在自由度固定的情况下，计算log-rank卡方值，通过检验分组之间的差异来确定最佳阈值。
- 提供了不同的函数用于计算多种模型的截断点，例如cox、linear、logit等，每种模型都使用对应的统计检验来确定阈值。
- 一次只能找到一个最佳截断值。
X-tile软件
- 基于log-rank卡方值来确定最佳截断值，将数据分为不同组，可以选择找到一个或两个最佳截断值，以将数据分成两组或三组。
- 一次只能计算一个变量的最佳阈值。