森林圖簡(jiǎn)介

森林圖（forest plot），從定義上講羡铲，它一般是在平面直角坐標(biāo)系中蜂桶，以一條垂直于X軸的無(wú)效線（通常坐標(biāo)X=1或0）為中心，用若干條平行于X軸的線段也切，來(lái)表示每個(gè)研究的效應(yīng)量大小及其95%可信區(qū)間扑媚，并用一個(gè)棱形來(lái)表示多個(gè)研究合并的效應(yīng)量及可信區(qū)間，它是Meta分析中最常用的結(jié)果綜合表達(dá)形式雷恃，現(xiàn)在也廣泛應(yīng)用在biomarker此類研究中疆股。

森林圖的科研用途

提到森林圖，很多人的第一反應(yīng)就是Meta分析倒槐。實(shí)際上旬痹，除了Meta分析，森林圖還有諸多用處讨越。森林圖可以直觀的反映出效應(yīng)量（例如RR两残、OR、HR或者WMD）大小及其95% CI把跨，這些效應(yīng)量指標(biāo)通常都是通過(guò)采用多因素回歸分析所得人弓，因此我們同樣可以把森林圖借鑒過(guò)來(lái)，用于展示多因素回歸分析的結(jié)果着逐。總結(jié)來(lái)說(shuō)崔赌，森林圖的科研用途主要用于Meta和臨床實(shí)驗(yàn)意蛀。

臨床實(shí)驗(yàn)普通分析（重點(diǎn)）——常規(guī)森林圖

下圖就是常規(guī)Cox回歸結(jié)果的森林圖展示，主要體現(xiàn)了變量峰鄙、病人數(shù)量浸间、P值和HR值，同時(shí)在每個(gè)變量?jī)?nèi)部設(shè)置reference（便于直觀比較吟榴，變量為字符串-因子化屬性）魁蒜。比如: 年紀(jì)older變量位于無(wú)效線（即中間的那條豎線）右側(cè)，說(shuō)明年老有助于死亡吩翻。森林圖在常規(guī)情況下事件結(jié)局是"生/死"這種兩分類兜看，但有時(shí)候事件結(jié)局是"有效/無(wú)效"、"治療/未治療"等等其他二分類情況狭瞎，評(píng)估事件是好事還是壞事细移。比如生存（生：0；死：1熊锭，數(shù)值小的默認(rèn)為事件結(jié)局）弧轧，就是好事件，當(dāng)位于無(wú)效線左側(cè)的變量碗殷，說(shuō)明這些變量有助于事件發(fā)生精绎，是保護(hù)因素；位于無(wú)效線右側(cè)的變量锌妻，說(shuō)明這些變量不利于事件發(fā)生代乃，是危險(xiǎn)因素；當(dāng)與無(wú)效線相交時(shí)仿粹，說(shuō)明這些變量與事件發(fā)生之間關(guān)系不強(qiáng)搁吓！在整體數(shù)據(jù)上，用來(lái)評(píng)估這些變量因素對(duì)事件結(jié)局的影響吭历！

image

PS：若是不想在多分類變量中設(shè)置refence堕仔，變量字符串形式即可，不要因子化晌区。

image

臨床實(shí)驗(yàn)分組分析（重點(diǎn)）——分組森林圖

很多時(shí)候摩骨，文章展現(xiàn)的是亞組森林圖。如下圖：生存為事件結(jié)局契讲，添加阿司匹林和阿哌沙班兩個(gè)用藥組。當(dāng)位于無(wú)效線左側(cè)的變量滑频，可認(rèn)為阿司匹林用藥組的結(jié)局事件發(fā)生率大于阿哌沙班用藥組捡偏；位于無(wú)效線右側(cè)的變量，說(shuō)明阿司匹林用藥組的結(jié)局事件發(fā)生率大于阿哌沙班用藥組峡迷。從整體數(shù)據(jù)來(lái)看银伟，阿司匹林效果比阿哌沙班好你虹！

image

森林圖的結(jié)果解釋

1. 普通森林圖解

image

圖列解釋：

第1列為多個(gè)分類變量；

第2列為各個(gè)變量下樣本數(shù)量：以stage為例彤避，stage_I數(shù)量為100傅物，stage_II為100，stage_III為100琉预；

第3列多因素cox回歸的統(tǒng)計(jì)學(xué)P值董饰，

第4列為HR及其置信區(qū)間的圖形表達(dá)，圖中中間的豎線為無(wú)效線圆米，即OR=1卒暂，表示所研究因素和結(jié)局無(wú)統(tǒng)計(jì)學(xué)關(guān)聯(lián)；每條橫線為該研究的95%可信區(qū)間娄帖，橫線中央的小方塊(或其他圖形)為OR值的點(diǎn)估計(jì)也祠。若某個(gè)研究95%可信區(qū)間的橫線與無(wú)效豎線有交叉，可認(rèn)為所研究因素和結(jié)局無(wú)統(tǒng)計(jì)學(xué)關(guān)聯(lián)近速；若該橫線落在無(wú)效豎線的左側(cè)诈嘿，可認(rèn)為所研究因素有利于結(jié)局的發(fā)生；若該橫線落在無(wú)效線的右側(cè)削葱，可認(rèn)為所研究因素不利于結(jié)局的發(fā)生奖亚。

第5列為HR及其置信區(qū)間的數(shù)值化表示。

圖行解釋：

以stage為例佩耳，其中stage_I為參照遂蛀，stage_II和stage_III都位于無(wú)效線的右側(cè)，說(shuō)明不利于生存干厚。與stage_I相比李滴，stage_II患者是stage_I患者死亡風(fēng)險(xiǎn)的2.26倍，他的上下可信區(qū)間是1.78_{2.58蛮瞄，并且經(jīng)過(guò)統(tǒng)計(jì)是P=0.01有意義所坯；同時(shí)stage_III患者是stage_I患者死亡風(fēng)險(xiǎn)的1.86倍，他的上下可信區(qū)間是1.58}1.98挂捅，并且經(jīng)過(guò)統(tǒng)計(jì)是P=0.02也有意義芹助。

2. 分組森林圖解(評(píng)估多個(gè)分類變量對(duì)S-1+Doc和S-1兩種治療方案的作用，結(jié)局事件：PFS)

image

圖列解釋：

第1列為多個(gè)分類變量闲先；

第2列和第3列表示S-1+Doc和S-1這兩組的基本情況：如“87/454”状土，前者為發(fā)生某事件的例數(shù)、后者為各組樣本量伺糠；

第4列為HR及其置信區(qū)間的圖形表達(dá)蒙谓，圖中中間的豎線為無(wú)效線，即OR=1训桶，表示所研究因素和結(jié)局無(wú)統(tǒng)計(jì)學(xué)關(guān)聯(lián)累驮；每條橫線為該研究的95%可信區(qū)間酣倾，橫線中央的小方塊(或其他圖形)為OR值的點(diǎn)估計(jì)。若某個(gè)研究95%可信區(qū)間的橫線與無(wú)效豎線有交叉谤专，可認(rèn)為所研究因素和結(jié)局無(wú)統(tǒng)計(jì)學(xué)關(guān)聯(lián)躁锡；若該橫線落在無(wú)效豎線的左側(cè)，可認(rèn)為所研究因素有利于結(jié)局的發(fā)生置侍；若該橫線落在無(wú)效線的右側(cè)映之，可認(rèn)為所研究因素不利于結(jié)局的發(fā)生。

第5列為HR及其置信區(qū)間的數(shù)值化表示墅垮；

第6列為交互檢測(cè)統(tǒng)計(jì)學(xué)P值惕医，按照不同的變量分層分析，交互作用的P值不顯著算色，表明不同分層結(jié)果一致抬伺，文章的結(jié)果可靠。

圖行解釋：

首行是總?cè)巳篢otal的分析結(jié)果灾梦，HR=0.632峡钓，表明聯(lián)合治療組與S-1單藥相比，其復(fù)發(fā)風(fēng)險(xiǎn)降低37%若河；此時(shí)橫線線段不與無(wú)效線相交能岩，提示聯(lián)合治療組與單藥治療組總體人群中的差異有統(tǒng)計(jì)學(xué)意義。

下面都是分層分析的結(jié)果萧福，在不同的性別拉鹃、年齡、分期等多個(gè)亞組人群中RFS(無(wú)復(fù)發(fā)生存)的變化情況鲫忍。以性別為例：男性（Male）中的HR為0.605膏燕，表明在男性胃癌患者接受聯(lián)合治療與接受單獨(dú)S-1治療相比，其復(fù)發(fā)風(fēng)險(xiǎn)降低了39.5%悟民，此時(shí)橫線線段不與無(wú)效線相交坝辫，也提示聯(lián)合治療組與單藥治療組在男性這組人群中的差異有統(tǒng)計(jì)學(xué)意義。女性人群中的HR=0.704射亏，表明在女性胃癌患者接受聯(lián)合治療與接受單獨(dú)S-1治療相比近忙，其復(fù)發(fā)的風(fēng)險(xiǎn)降低了29.6%，此時(shí)橫線線段與無(wú)效線相交智润，提示聯(lián)合治療組與單藥治療組在女性這組人群中的差異無(wú)統(tǒng)計(jì)學(xué)意義及舍。最后出現(xiàn)的交互作用P值為0.6058，大于0.05窟绷，說(shuō)明男性和女性中藥物兩組方案的藥物治療與疾病復(fù)發(fā)關(guān)系的差異并不明顯锯玛，也就是說(shuō)明男性HR（0.605）和女性的HR（0.705）差異不顯著，不能認(rèn)為藥物治療和復(fù)發(fā)的關(guān)系在不同性別中不一樣钾麸。

如何繪制森林圖更振？

第一種情況: 單因素cox回歸結(jié)果

• 針對(duì)單個(gè)變量，做cox回歸繪制森林圖饭尝，ggforest——直接用單因素cox回歸返回的結(jié)果做森林圖肯腕，ggforest(res.cox, data = lung) ，以cox回歸結(jié)果和數(shù)據(jù)源兩個(gè)參數(shù)即可钥平，這種方式森林圖主要只展現(xiàn)變量实撒、樣本數(shù)量、置信區(qū)間及線圖（樣式比較局限）涉瘾。

image

• 針對(duì)單個(gè)變量（多分類）知态，如果結(jié)果只想顯示整體，那么將該多分類變量數(shù)值化表示立叛；如果想?yún)f(xié)變量都展示负敏，那么將該多分類變量字符化，并轉(zhuǎn)化為因子秘蛇，首位因子被默認(rèn)為參照其做！

image

• 針對(duì)多個(gè)變量****（****常見(jiàn)形式****）的單因素回歸分析做森林圖，或者想在森林圖中添加其他信息時(shí)需要將多個(gè)變量的結(jié)果進(jìn)行匯總赁还，整理成表格（或其他格式）妖泄，然后采用forestplot函數(shù)做森林圖，整理數(shù)據(jù)結(jié)構(gòu)如下：變量名艘策、樣本數(shù)量蹈胡、占比等信息源自臨床信息匯總整理；置信區(qū)間和P值源自cox回歸結(jié)果朋蔫。

• image

• 針對(duì)特殊情況——亞組森林圖罚渐，同樣也需要將所有信息整理成表格形式，然后用forestplot繪圖斑举。變量名搅轿、樣本數(shù)量、占比富玷、某因素條件分組（如下圖的FOLFOX和FOLFOX plus SIRT兩種條件璧坟，其下數(shù)據(jù)可以是樣本數(shù)量、事件發(fā)生率等）源自臨床信息匯總整理赎懦；置信區(qū)間源自cox回歸結(jié)果雀鹃；顯著性視情況，有文章不放也有文章放（常見(jiàn)兩種P value和P interaction）励两。分組森林圖的做法黎茎，就是在固定的某種因素條件下，探索各種變量的分組條件下的單因素cox回歸当悔，如年齡：不同年齡亞組傅瞻；如性別：男女不同亞組踢代。簡(jiǎn)單點(diǎn)理解：其實(shí)就是在各種不同變量的亞群數(shù)據(jù)集中，探索某個(gè)固定因素對(duì)結(jié)局事件的影響嗅骄。

image

第二種情況：多因素cox回歸森林圖

• 針對(duì)多因素cox回歸胳挎，滿足普通需求，用ggforest即可（只能展示變量溺森、樣本數(shù)量慕爬、置信區(qū)間及線圖這幾個(gè)信息）

image

• 對(duì)于多分類變量，如果結(jié)果只想顯示整體屏积，那么將該多分類變量數(shù)值化表示医窿；如果想?yún)f(xié)變量都展示，那么將該多分類變量字符化炊林，并轉(zhuǎn)化為因子姥卢，首位因子被默認(rèn)為參照！（如sex）

image

具體繪制方法：

1. ggforest函數(shù)繪制森林圖（以1個(gè)單因素cox為例）

##------------------------sex整體展示-------------------
rm(list = ls())
library("survival")
library("survminer")
#載入并查看數(shù)據(jù)集
data("lung")
head(lung)
str(lung)#該數(shù)據(jù)將所有變量都轉(zhuǎn)換為數(shù)值型渣聚，包括性別(1,2表示)隔显，分期(1,2,3,4表示)等。若是字符型的話饵逐，結(jié)果會(huì)有所不同括眠！
res.cox <- coxph(Surv(time, status) ~ sex, data = lung)
res.cox
summary(res.cox)
#繪制森林圖(ggforest),繪制單個(gè)變量的單因素cox森林圖
ggforest(res.cox, data = lung,  #數(shù)據(jù)集
         main = 'Hazard ratio',  #標(biāo)題
         cpositions = c(0.05, 0.15, 0.35),  #前三列距離
         fontsize = 1, #字體大小
         noDigits = 3 #保留HR值以及95%CI的小數(shù)位數(shù)
)

#-------------------------sex分類分開(kāi)展示--------------------
rm(list = ls())
library("survival")
library("survminer")
#載入并查看數(shù)據(jù)集
data("lung")
head(lung)
str(lung)#該數(shù)據(jù)都為數(shù)值型，如性別(1,2表示).要分類展示cox回歸需要將分類變量因子化
#將分類變量從數(shù)值型改為因子
lung <- within(lung, {
  sex <- factor(sex, labels = c('female', 'male'))})  # female為對(duì)照
res.cox <- coxph(Surv(time, status) ~ sex, data = lung)
res.cox
summary(res.cox)
#繪制森林圖(ggforest),多分類變量分開(kāi)展示
ggforest(res.cox, data = lung,  #數(shù)據(jù)集
         main = 'Hazard ratio',  #標(biāo)題
         cpositions = c(0.05, 0.15, 0.35),  #前三列距離
         fontsize = 1, #字體大小
         noDigits = 3 #保留HR值以及95%CI的小數(shù)位數(shù)
) 
##是否分開(kāi)展示看結(jié)果倍权，整體展示和分開(kāi)展示哪個(gè)好說(shuō)明好解釋用哪個(gè)掷豺！

2. ggforest函數(shù)繪制森林圖（以多因素cox為例）

##----------------------適用于數(shù)值型變量,即每個(gè)變量cox結(jié)果只有一行-------------------
rm(list = ls())
library("survival")
library("survminer")
#載入并查看數(shù)據(jù)集
data("lung")
head(lung)
str(lung)#該數(shù)據(jù)將所有變量都轉(zhuǎn)換為數(shù)值型
#cox 回歸分析
res.cox <- coxph(Surv(time, status) ~ age+sex+ph.ecog+ph.karno+pat.karno, data = lung)
res.cox
summary(res.cox)
#繪制森林圖(ggforest)
ggforest(res.cox, data = lung,  #數(shù)據(jù)集
         main = 'Hazard ratio',  #標(biāo)題
         cpositions = c(0.05, 0.15, 0.35),  #前三列距離
         fontsize = 1, #字體大小
         noDigits = 3 #保留HR值以及95%CI的小數(shù)位數(shù)
)

#------------------適用于多分類變量，每個(gè)變量下的子變量都對(duì)應(yīng)一行數(shù)據(jù)----------------------

rm(list = ls())
library("survival")
library("survminer")
#載入并查看數(shù)據(jù)集
data("lung")
head(lung)
str(lung)#該數(shù)據(jù)都為數(shù)值型薄声，如性別(1,2表示). 要分類展示cox回歸需要將分類變量因子化
#將分類變量sex從數(shù)值型改為因子
lung <- within(lung, {
  sex <- factor(sex, labels = c('female', 'male'))  # female為對(duì)照
})
#cox回歸分析
res.cox <- coxph(Surv(time, status) ~ age+sex+ph.ecog+ph.karno+pat.karno, data = lung)
res.cox
summary(res.cox)
#繪制森林圖(ggforest),多分類分開(kāi)展示
ggforest(res.cox, data = lung,  #數(shù)據(jù)集
         main = 'Hazard ratio',  #標(biāo)題
         cpositions = c(0.05, 0.15, 0.35),  #前三列距離
         fontsize = 1, #字體大小
         refLabel = '1', #相對(duì)變量的數(shù)值標(biāo)簽当船，也可改為1
         noDigits = 3 #保留HR值以及95%CI的小數(shù)位數(shù)
)

##是否分開(kāi)展示看結(jié)果，整體展示和分開(kāi)展示哪個(gè)好說(shuō)明好解釋用哪個(gè)Ｄ妗德频！

3. Forestplot函數(shù)繪制森林圖（多個(gè)單因素cox為例）

Forestplot R包繪制森林圖更靈活，可根據(jù)自身需求繪制缩幸。它主要的難點(diǎn)在于這個(gè)R包依賴于已經(jīng)整理好的結(jié)果壹置，因此需要提前整理好相關(guān)數(shù)據(jù)。繪制森林圖的數(shù)據(jù)包括兩部分：
1. 圖中的文字部分：變量表谊、樣本數(shù)及占比钞护、分組條件下各自事件發(fā)生數(shù)量或比例等，這些需要自行整理爆办！
2. 置信區(qū)間線：數(shù)據(jù)源自cox回歸結(jié)果中的HR值难咕、上限值、下限值以及P值
大概數(shù)據(jù)要求如下：

image

具體繪制代碼可參考：R-forestplot包| HR結(jié)果繪制森林圖

rm(list = ls())
#載入R函數(shù)包
library(survival)
library(survminer)
library(forestplot)
#需要將多個(gè)自變量的單因素cox回歸結(jié)果進(jìn)行整理
#森林圖的數(shù)據(jù)包括兩部分：
##1.圖中的文字部分：變量、樣本數(shù)及占比余佃、分組條件下各自事件發(fā)生數(shù)量或比例等暮刃，這些需要自行整理！
##2. 置信區(qū)間線：數(shù)據(jù)源自cox回歸結(jié)果中的HR值爆土、上限值沾歪、下限值以及P值
##以整理好的uni_data為例
data <- read.csv("uni_data.csv", stringsAsFactors=FALSE)
#查看數(shù)據(jù)
head(data) #數(shù)據(jù)中包含HR值、上限值雾消、下限值以及P值，以及分組信息
#對(duì)數(shù)據(jù)進(jìn)行部分修改挫望，方便行名和列名字輸出：
## 構(gòu)建tabletext立润，更改列名稱，展示更多信息：
np <- ifelse(!is.na(data$Count), paste(data$Count," (",data$Percent,")",sep=""), NA)
tabletext <- cbind(c("Subgroup","\n",data$Variable),
                   c("No. of Patients (%)","\n",np),
                   c("4-Yr Cum. Event Rate\n PCI","\n",data$PCI.Group),
                   c("4-Yr Cum. Event Rate\n Medical Therapy","\n",data$Medical.Therapy.Group),
                   c("P Value","\n",data$P.Value))

##繪制森林圖：
forestplot(labeltext=tabletext, graph.pos=5,
           mean=c(NA,NA,data$Point.Estimate),
           lower=c(NA,NA,data$Low), upper=c(NA,NA,data$High),
           title="Hazard Ratio",##定義x軸
           xlab="    <---PCI Better---   ---Medical Therapy Better--->",
##根據(jù)亞組的位置媳板，設(shè)置線型桑腮，寬度造成“區(qū)塊感”：
           hrzl_lines=list("3" = gpar(lwd=1, col="#99999922"),
"7" = gpar(lwd=60, lineend="butt", columns=c(2:6), col="#99999922"),
"15" = gpar(lwd=60, lineend="butt", columns=c(2:6), col="#99999922"),
"23" = gpar(lwd=60, lineend="butt", columns=c(2:6), col="#99999922"),
"31" = gpar(lwd=60, lineend="butt", columns=c(2:6), col="#99999922")),
#fpTxtGp函數(shù)中的cex參數(shù)設(shè)置各個(gè)組件的大小：
           txt_gp=fpTxtGp(label=gpar(cex=1.25),ticks=gpar(cex=1.1),xlab=gpar(cex = 1.2),title=gpar(cex = 1.2)),
##fpColors函數(shù)設(shè)置顏色：
           col=fpColors(box="#1c61b6", lines="#1c61b6", zero = "gray50",summary = "red"),
#箱線圖中基準(zhǔn)線的位置：
           zero=1,
           cex=0.9, lineheight = "auto",
           colgap=unit(8,"mm"), #列間距：
#誤差線的寬度蛉幸，箱子大衅铺帧：
           lwd.ci=2, boxsize=0.5,
#箱線圖兩端添加小豎線及高度：
           ci.vertices=TRUE, ci.vertices.height = 0.4)

往期回顧
TCGA+biomarker——常見(jiàn)結(jié)果展示
TCGA+biomarker——Sample基線表
TCGA+biomarker——單因素Cox回歸

更多內(nèi)容可關(guān)注公共號(hào)“YJY技能修煉”~~~