Как сделать ROC-анализ в R с помощью модели Кокса

Я создал несколько моделей регрессии Кокса, и мне хотелось бы посмотреть, насколько хорошо работают эти модели, и я подумал, что, возможно, ROC-кривая или c-статистика могут быть полезны, как в этой статье:

JN Armitage och JH van der Meulen, «Идентификация сопутствующей патологии у хирургических пациентов с использованием административных данных с помощью шкалы Charlson Королевского колледжа хирургов», British Journal of Surgery, vol. 97, число 5, сс. 772-781, май 2010.

Армитидж использовал логистическую регрессию, но мне интересно, если возможно использовать модель из пакета выживания, наЦИА Survivage дает представление о том, что это возможно, но я не могу понять, как заставить это работать с обычной регрессией Кокса.

Буду признателен, если кто-нибудь покажет мне, как провести ROC-анализ на этом примере:

library(survival)
data(veteran)

attach(veteran)
surv <- Surv(time, status)
fit <- coxph(surv ~ trt + age + prior, data=veteran)
summary(fit)

Если возможно, я был бы признателен за вывод исходной c-статики и хороший график

Спасибо!

Обновить

Большое спасибо за ответы. @Dwin: Я просто хотел бы убедиться, что я понял это прямо перед выбором вашего ответа.

Расчет, как я понимаю, по предложению DWin:

library(survival)
library(rms)
data(veteran)

fit.cph <- cph(surv ~ trt + age + prior, data=veteran, x=TRUE, y=TRUE, surv=TRUE)

# Summary fails!?
#summary(fit.cph)

# Get the Dxy
v <- validate(fit.cph, dxy=TRUE, B=100)
# Is this the correct value?
Dxy = v[rownames(v)=="Dxy", colnames(v)=="index.corrected"]

# The c-statistic according to the Dxy=2(c-0.5)
Dxy/2+0.5

Я не знаком с функцией validate и начальной загрузкой, но, посмотрев на проф. Ответ Фрэнка Харреля на R-help Я подумал, что это, вероятно, способ получить Dxy. Помощь для проверки состояния:

... Корреляция ранга Dxy Сомерса рассчитывается при каждой повторной выборке (это занимает немного больше времени, чем статистика, основанная на вероятности). Значения, соответствующие строке Dxy, равны 2 * (C - 0,5), где C - индекс C или вероятность соответствия.

Я думаю, что я в основном смущен столбцами. Я подумал, что исправленное значение - это то, что я должен использовать, но я не совсем понял вывод проверки:

      index.orig training    test optimism index.corrected   n
Dxy      -0.0137  -0.0715 -0.0071  -0.0644          0.0507 100
R2        0.0079   0.0278  0.0037   0.0242         -0.0162 100
Slope     1.0000   1.0000  0.2939   0.7061          0.2939 100
...

В вопросе о R-справке я понял, что у меня должно быть слово «Surv = TRUE» в cph, если у меня есть страты, но я не уверен, для чего предназначен параметр «u = 60» в функции проверки. Я был бы признателен, если бы вы помогли мне понять это и убедиться, что я не допустил ошибок.

@chl указал на конкретный ответ на ваш вопрос. Функция пакета 'rms' cphсоздаст Somers-D, который можно легко преобразовать в c-индекс. Тем не менее, Харрелл (который ввел c-индекс в биостатистическую практику) считает, что это неразумно в качестве общей стратегии оценки прогностических показателей, поскольку он обладает низкой способностью различать альтернативы. Вместо того, чтобы полагаться на хирургическую литературу в качестве методологического руководства, было бы разумнее искать накопленную мудрость в тексте Харрелла «Стратегии регрессионного моделирования» или в «Штейербергских моделях клинического прогнозирования».

В зависимости от ваших потребностей, встраивание модели в более крупную модель и выполнение теста «chunk» для правдоподобия для добавленной стоимости дополнительных переменных даст вам мощный тест. Моя книга рассказывает об индексе, возникающем из этого подхода («индекс адекватности»).$\chi^2$