參考：「r<-包」使用 ezcox 進(jìn)行批量 Cox 模型處理
data("lung", package = "survival")
head(lung)
library(ezcox)
#單變量批量處理
res = ezcox(lung, covariates = c("age", "sex", "ph.ecog"))
knitr::kable(res)
table(lung$sex)
lung2 = lung
lung2$sex = factor(lung2$sex)
res = ezcox(lung2, covariates = c("age", "sex", "ph.ecog"))
knitr::kable(res)
#多變量批量處理
#加入年齡變量猪半，運(yùn)行 2 個(gè)二變量的 Cox 模型
Surv ~ sex + age
Surv ~ ph.ecog + age
res = ezcox(lung, covariates = c("sex", "ph.ecog"), controls = "age")
knitr::kable(res)
#這里 global.pval 給出的是整個(gè)模型的P值路召。變量 age 并不是我們想要關(guān)注的結(jié)果闯袒，我們可以過濾它：
knitr::kable(dplyr::filter(res, ref_level != "age"))#過濾年齡變量
res = ezcox(lung, covariates = c("sex", "ph.ecog"), controls = "age", return_models = TRUE)#查看模型本身
res$models$model
#可視化
library(forestmodel)
#> 載入需要的程輯包：ggplot2
forest_model(res$models$model[[1]])
forest_model(res$models$model[[2]])
-
knitr::kable(res)運(yùn)行后會(huì)出現(xiàn)
knitr1.png
3 個(gè) Cox 模型的系數(shù)、HR 以及它的置信區(qū)間醇王、P值呢燥、樣本量等。當(dāng) contrast_level 和 ref_level一致時(shí)寓娩，Cox 模型其實(shí)是將該變量作為一個(gè)連續(xù)變量進(jìn)行處理叛氨，所以我們也可以觀察到它們的樣本量一致。
knitr.png
森林圖：
[森林圖1].png
[森林圖2].png
