最新章節

• 參考資料
• 7.10.2 X-Tile
• 7.10.1 Time-ROC
• 7.10 生存分析數值變量分類方法
• 7.9.2 風險得分圖
• 7.9.1 風險分組后KM曲線

• 參考資料 更新時間：2024-12-24 10:17:53
• 7.10.2 X-Tile
• 7.10.1 Time-ROC
• 7.10 生存分析數值變量分類方法
• 7.9.2 風險得分圖
• 7.9.1 風險分組后KM曲線
• 7.9 模型效果驗證
• 7.8.3 CV-LASSO
• 7.8.2 LASSO-COX
• 7.8.1 數據準備
• 7.8 LASSO-COX
• 7.7.2 IDI
• 7.7.1 NRI（凈重新分類指數）
• 7.7 NRI和IDI
• 7.6.4 動態列線圖
• 7.6.3 網格線列線圖
• 7.6.2 中位生存時間列線圖
• 7.6.1 普通生存概率列線圖
• 7.6 預后模型Nomo展示
• 7.5 交叉驗證
• 7.4.3 基于ggDCA包的決策曲線
• 7.4.2 基于dcurves包的決策曲線
• 7.4.1 基于stdca.R的決策曲線
• 7.4 預后模型決策曲線分析
• 7.3.2 基于pec包的校準曲線
• 7.3.1 基于rms包的校準曲線
• 7.3 預后模型校準度分析
• 7.2.3 時間依賴AUC
• 7.2.2 Time-ROC
• 7.2.1 Concordance index
• 7.2 預后模型區分度分析
• 7.1.7 模型比較
• 7.1.6 多因素分析
• 7.1.5 批量單因素分析
• 7.1.4 后多因素分析
• 7.1.3 先單因素分析
• 7.1.2 軟件包準備
• 7.1.1 數據讀取
• 7.1 COX回歸模型構建
• 第7章 R語言預后臨床預測模型實戰
• 6.10.5 Bootstrap ROC
• 6.10.4 Bootstrap CV
• 6.10.3 留一法交叉驗證
• 6.10.2 十重交叉驗證
• 6.10.1 簡單交叉驗證
• 6.10 交叉驗證與Bootstrap
• 6.9.4 CV-LASSO
• 6.9.3 LASSO-Logit
• 6.9.2 數據準備
• 6.9.1 軟件包準備
• 6.9 LASSO在Logistic回歸中應用
• 6.8 如何驗證別人已經發表的模型
• 6.7.2 綜合判別改善指數
• 6.7.1 凈重新分類指數
• 6.7 NRI和IDI
• 6.6.3 Logistic回歸分析
• 6.6.2 ROC曲線比較
• 6.6.1 診斷試驗評價
• 6.6 Logistic回歸模型診斷效果評價
• 6.5.5 制作網絡版動態列線圖
• 6.5.4 DynNom包動態列線圖
• 6.5.3 普通列線圖變種
• 6.5.2 regplot包繪制交互列線圖
• 6.5.1 rms包常規普通列線圖回歸
• 6.5 Logistic回歸模型可視化：Nomo圖
• 6.4.6 DCA包臨床決策曲線繪制
• 6.4.5 交叉驗證DCA
• 6.4.4 DCA及可信區間
• 6.4.3 臨床影響曲線（clinical impact curve）
• 6.4.2 rmda包決策曲線實現
• 6.4.1 軟件準備工作
• 6.4 Logistic回歸模型臨床決策曲線（DCA）
• 6.3.5 校準曲線方法四（Bootstrap法)
• 6.3.4 lrm+calibrate+plot校準曲線實現
• 6.3.3 riskRegression包plotCalibration函數校準曲線實現
• 6.3.2 Hosmer-Lemeshow test檢驗
• 6.3.1 calibrate包val.prob函數校準曲線實現
• 6.3 Logistic回歸校準度評價：HL檢驗與校準曲線
• 6.2.5 Bootstrap法ROC內部驗證
• 6.2.4 兩條ROC曲線比較
• 6.2.3 繪制多條ROC曲線
• 6.2.2 驗證集AUC和ROC
• 6.2.1 訓練集AUC與ROC
• 6.2 Logistic回歸模型區分度評價
• 6.1.2 多因素分析
• 6.1.1 單因素分析
• 6.1 Logistic回歸模型構建
• 第6章 R語言診斷臨床預測模型實戰
• 5.7 Bootstrap
• 5.6.2 IDI
• 5.6.1 NRI
• 5.6 NRI與IDI
• 5.5.3 窗口Nomo繪制
• 5.5.2 命令繪制Nomo圖
• 5.5.1 構建模型
• 5.5 Nomo圖
• 5.4.5 凈獲益的數據
• 5.4.4 多模型DCA曲線
• 5.4.3 模型組與驗證組DCA
• 5.4.2 設立時間節點死亡概率
• 5.4.1 建立模型
• 5.4 決策曲線
• 5.3.5 驗證集校準曲線加強版
• 5.3.4 訓練集校準曲線加強版
• 5.3.3 驗證集時點校準曲線
• 5.3.2 訓練集時點校準曲線
• 5.3.1 建立模型
• 5.3 校準度
• 5.2.3 時點ROC曲線（Time ROC）
• 5.2.2 C-index和Somers_D及95%可信區間
• 5.2.1 C-index
• 5.2 區分度
• 5.1.5 確定最終模型
• 5.1.4 模型比較
• 5.1.3 多因素分析
• 5.1.2 單因素分析
• 5.1.1 建立時間變量和結局變量
• 5.1 模型構建
• 第5章 Stata預后臨床預測模型實戰
• 4.11.3 多重插補法
• 4.11.2 單一插補法
• 4.11.1 直接刪除法
• 4.11 缺失值處理
• 4.10.3 CV-LASSO
• 4.10.2 路徑圖
• 4.10.1 LASSO回歸
• 4.10 LASSO-Logit
• 4.9 Bootstrap
• 4.8 交叉驗證
• 4.7 如何利用別人文章的模型
• 4.6.2 IDI（綜合判別改善指數）
• 4.6.1 NRI（凈重新分類指數）
• 4.6 NRI和IDI
• 4.5 Logistic回歸模型可視化：Nomo圖
• 4.4.4 凈減少曲線（Net Reduction）
• 4.4.3 決策曲線優化
• 4.4.2 驗證集臨床決策曲線
• 4.4.1 訓練集臨床決策曲線
• 4.4 Logistic回歸模型臨床適用性評價：臨床決策曲線（DCA）
• 4.3.3 Bootstrap校準曲線
• 4.3.2 校準曲線加強版
• 4.3.1 基于HL函數的校準度
• 4.3 Logistic回歸模型校準度評價：HL檢驗與校準曲線
• 4.2.5 多條ROC曲線
• 4.2.4 驗證集ROC分析
• 4.2.3 驗證集AUC分析
• 4.2.2 訓練集ROC曲線分析
• 4.2.1 訓練集的AUC分析
• 4.2 Logistic回歸模型區分度評價
• 4.1.6 預測概率
• 4.1.5 最終模型
• 4.1.4 模型比較
• 4.1.3 正式后多因素分析
• 4.1.2 后多因素分析
• 4.1.1 先單因素分析
• 4.1 Logistic回歸模型構建
• 第4章 Stata診斷模型實戰
• 3.2 SPSS在預后模型中的應用
• 3.1.3 模型評價
• 3.1.2 統計建模
• 3.1.1 數據拆分
• 3.1 SPSS在診斷模型中的應用
• 第3章 SPSS臨床預測模型實戰
• 2.3.3 臨床預測模型
• 2.3.2 風險因素驗證模型
• 2.3.1 危險因素篩選模型
• 2.3 統計建模
• 2.2.4 LASSO回歸法
• 2.2.3 百分之十改變量法
• 2.2.2 全部進入法
• 2.2.1 先單后多法
• 2.2 模型構建策略探討
• 2.1.3 分類變量進入模型的形式
• 2.1.2 等級變量進入模型的形式
• 2.1.1 數值變量進入模型的形式
• 2.1 單變量進入模型的形式
• 第2章 模型構建相關問題
• 1.12 臨床預測模型報告規范
• 1.11 LASSO回歸
• 1.10 自助抽樣法
• 1.9.3 留一法交叉驗證（Leave-one-out Cross Validation）
• 1.9.2 K折交叉驗證（K-Folder Cross Validation）
• 1.9.1 簡單交叉驗證（Simple Cross Validation）
• 1.9 交叉驗證
• 1.8 模型可視化（Visualization）
• 1.7 臨床決策曲線
• 1.6.2 Calibration plot
• 1.6.1 Hosmer-Lemeshow檢驗
• 1.6 校準度
• 1.5 綜合判別改善指數
• 1.4 凈重新分類指數
• 1.3 區分度-C指數
• 1.2.3 數據集分類
• 1.2.2 預測模型數據來源分類
• 1.2.1 預測模型目的分類
• 1.2 臨床預測模型分類與分型
• 1.1.3 臨床預測模型
• 1.1.2 風險因素驗證模型
• 1.1.1 風險因素發現模型
• 1.1 三種建模策略解讀
• 第1章 臨床預測模型基礎
• 序
• 內容簡介
• 作者簡介
• 版權頁
• 封面

• 封面
• 版權頁
• 作者簡介
• 內容簡介
• 序
• 第1章 臨床預測模型基礎
• 1.1 三種建模策略解讀
• 1.1.1 風險因素發現模型
• 1.1.2 風險因素驗證模型
• 1.1.3 臨床預測模型
• 1.2 臨床預測模型分類與分型
• 1.2.1 預測模型目的分類
• 1.2.2 預測模型數據來源分類
• 1.2.3 數據集分類
• 1.3 區分度-C指數
• 1.4 凈重新分類指數
• 1.5 綜合判別改善指數
• 1.6 校準度
• 1.6.1 Hosmer-Lemeshow檢驗
• 1.6.2 Calibration plot
• 1.7 臨床決策曲線
• 1.8 模型可視化（Visualization）
• 1.9 交叉驗證
• 1.9.1 簡單交叉驗證（Simple Cross Validation）
• 1.9.2 K折交叉驗證（K-Folder Cross Validation）
• 1.9.3 留一法交叉驗證（Leave-one-out Cross Validation）
• 1.10 自助抽樣法
• 1.11 LASSO回歸
• 1.12 臨床預測模型報告規范
• 第2章 模型構建相關問題
• 2.1 單變量進入模型的形式
• 2.1.1 數值變量進入模型的形式
• 2.1.2 等級變量進入模型的形式
• 2.1.3 分類變量進入模型的形式
• 2.2 模型構建策略探討
• 2.2.1 先單后多法
• 2.2.2 全部進入法
• 2.2.3 百分之十改變量法
• 2.2.4 LASSO回歸法
• 2.3 統計建模
• 2.3.1 危險因素篩選模型
• 2.3.2 風險因素驗證模型
• 2.3.3 臨床預測模型
• 第3章 SPSS臨床預測模型實戰
• 3.1 SPSS在診斷模型中的應用
• 3.1.1 數據拆分
• 3.1.2 統計建模
• 3.1.3 模型評價
• 3.2 SPSS在預后模型中的應用
• 第4章 Stata診斷模型實戰
• 4.1 Logistic回歸模型構建
• 4.1.1 先單因素分析
• 4.1.2 后多因素分析
• 4.1.3 正式后多因素分析
• 4.1.4 模型比較
• 4.1.5 最終模型
• 4.1.6 預測概率
• 4.2 Logistic回歸模型區分度評價
• 4.2.1 訓練集的AUC分析
• 4.2.2 訓練集ROC曲線分析
• 4.2.3 驗證集AUC分析
• 4.2.4 驗證集ROC分析
• 4.2.5 多條ROC曲線
• 4.3 Logistic回歸模型校準度評價：HL檢驗與校準曲線
• 4.3.1 基于HL函數的校準度
• 4.3.2 校準曲線加強版
• 4.3.3 Bootstrap校準曲線
• 4.4 Logistic回歸模型臨床適用性評價：臨床決策曲線（DCA）
• 4.4.1 訓練集臨床決策曲線
• 4.4.2 驗證集臨床決策曲線
• 4.4.3 決策曲線優化
• 4.4.4 凈減少曲線（Net Reduction）
• 4.5 Logistic回歸模型可視化：Nomo圖
• 4.6 NRI和IDI
• 4.6.1 NRI（凈重新分類指數）
• 4.6.2 IDI（綜合判別改善指數）
• 4.7 如何利用別人文章的模型
• 4.8 交叉驗證
• 4.9 Bootstrap
• 4.10 LASSO-Logit
• 4.10.1 LASSO回歸
• 4.10.2 路徑圖
• 4.10.3 CV-LASSO
• 4.11 缺失值處理
• 4.11.1 直接刪除法
• 4.11.2 單一插補法
• 4.11.3 多重插補法
• 第5章 Stata預后臨床預測模型實戰
• 5.1 模型構建
• 5.1.1 建立時間變量和結局變量
• 5.1.2 單因素分析
• 5.1.3 多因素分析
• 5.1.4 模型比較
• 5.1.5 確定最終模型
• 5.2 區分度
• 5.2.1 C-index
• 5.2.2 C-index和Somers_D及95%可信區間
• 5.2.3 時點ROC曲線（Time ROC）
• 5.3 校準度
• 5.3.1 建立模型
• 5.3.2 訓練集時點校準曲線
• 5.3.3 驗證集時點校準曲線
• 5.3.4 訓練集校準曲線加強版
• 5.3.5 驗證集校準曲線加強版
• 5.4 決策曲線
• 5.4.1 建立模型
• 5.4.2 設立時間節點死亡概率
• 5.4.3 模型組與驗證組DCA
• 5.4.4 多模型DCA曲線
• 5.4.5 凈獲益的數據
• 5.5 Nomo圖
• 5.5.1 構建模型
• 5.5.2 命令繪制Nomo圖
• 5.5.3 窗口Nomo繪制
• 5.6 NRI與IDI
• 5.6.1 NRI
• 5.6.2 IDI
• 5.7 Bootstrap
• 第6章 R語言診斷臨床預測模型實戰
• 6.1 Logistic回歸模型構建
• 6.1.1 單因素分析
• 6.1.2 多因素分析
• 6.2 Logistic回歸模型區分度評價
• 6.2.1 訓練集AUC與ROC
• 6.2.2 驗證集AUC和ROC
• 6.2.3 繪制多條ROC曲線
• 6.2.4 兩條ROC曲線比較
• 6.2.5 Bootstrap法ROC內部驗證
• 6.3 Logistic回歸校準度評價：HL檢驗與校準曲線
• 6.3.1 calibrate包val.prob函數校準曲線實現
• 6.3.2 Hosmer-Lemeshow test檢驗
• 6.3.3 riskRegression包plotCalibration函數校準曲線實現
• 6.3.4 lrm+calibrate+plot校準曲線實現
• 6.3.5 校準曲線方法四（Bootstrap法)
• 6.4 Logistic回歸模型臨床決策曲線（DCA）
• 6.4.1 軟件準備工作
• 6.4.2 rmda包決策曲線實現
• 6.4.3 臨床影響曲線（clinical impact curve）
• 6.4.4 DCA及可信區間
• 6.4.5 交叉驗證DCA
• 6.4.6 DCA包臨床決策曲線繪制
• 6.5 Logistic回歸模型可視化：Nomo圖
• 6.5.1 rms包常規普通列線圖回歸
• 6.5.2 regplot包繪制交互列線圖
• 6.5.3 普通列線圖變種
• 6.5.4 DynNom包動態列線圖
• 6.5.5 制作網絡版動態列線圖
• 6.6 Logistic回歸模型診斷效果評價
• 6.6.1 診斷試驗評價
• 6.6.2 ROC曲線比較
• 6.6.3 Logistic回歸分析
• 6.7 NRI和IDI
• 6.7.1 凈重新分類指數
• 6.7.2 綜合判別改善指數
• 6.8 如何驗證別人已經發表的模型
• 6.9 LASSO在Logistic回歸中應用
• 6.9.1 軟件包準備
• 6.9.2 數據準備
• 6.9.3 LASSO-Logit
• 6.9.4 CV-LASSO
• 6.10 交叉驗證與Bootstrap
• 6.10.1 簡單交叉驗證
• 6.10.2 十重交叉驗證
• 6.10.3 留一法交叉驗證
• 6.10.4 Bootstrap CV
• 6.10.5 Bootstrap ROC
• 第7章 R語言預后臨床預測模型實戰
• 7.1 COX回歸模型構建
• 7.1.1 數據讀取
• 7.1.2 軟件包準備
• 7.1.3 先單因素分析
• 7.1.4 后多因素分析
• 7.1.5 批量單因素分析
• 7.1.6 多因素分析
• 7.1.7 模型比較
• 7.2 預后模型區分度分析
• 7.2.1 Concordance index
• 7.2.2 Time-ROC
• 7.2.3 時間依賴AUC
• 7.3 預后模型校準度分析
• 7.3.1 基于rms包的校準曲線
• 7.3.2 基于pec包的校準曲線
• 7.4 預后模型決策曲線分析
• 7.4.1 基于stdca.R的決策曲線
• 7.4.2 基于dcurves包的決策曲線
• 7.4.3 基于ggDCA包的決策曲線
• 7.5 交叉驗證
• 7.6 預后模型Nomo展示
• 7.6.1 普通生存概率列線圖
• 7.6.2 中位生存時間列線圖
• 7.6.3 網格線列線圖
• 7.6.4 動態列線圖
• 7.7 NRI和IDI
• 7.7.1 NRI（凈重新分類指數）
• 7.7.2 IDI
• 7.8 LASSO-COX
• 7.8.1 數據準備
• 7.8.2 LASSO-COX
• 7.8.3 CV-LASSO
• 7.9 模型效果驗證
• 7.9.1 風險分組后KM曲線
• 7.9.2 風險得分圖
• 7.10 生存分析數值變量分類方法
• 7.10.1 Time-ROC
• 7.10.2 X-Tile
• 參考資料 更新時間：2024-12-24 10:17:53