- 综合排序
- 最热优先
- 最新优先
- 来自专栏素质云笔记
生存分析——跟着lifelines学生存分析建模（三）
——快手的基于深度学习框架的集成⽣存分析软件KwaiSurvival（一） 生存分析——KM生存曲线、hazard比例、PH假定检验、非比例风险模型（分层/时变/参数模型）（二） 生存分析——跟着lifelines 学生存分析建模（三） 0 lifelines介绍 github地址：CamDavidsonPilon/lifelines 文档地址：lifelines 生存分析最初是由精算师和医学界大量开发和应用的。 从Time-Dependent 生存模型分析用户流失来看一个完整的生存分析可归纳为： 原始数据格式处理：把数据处理为用户、生存时长、是否删失的数据格式。 一个比较好的案例可以参考：【3.3 完整 比例cox -> CoxTimeVarying 探索建模过程 1 生存概率估计 从这篇 数据分析系列：生存分析（生存曲线分析、Cox回归分析）——附生存分析python E代表是否观察到“死亡”，1代表观测到了，0代表未观测到，即生存分析中的删失数据，共7个。
3.8K30编辑于 2021-12-07 - 来自专栏生信小驿站
TCGA生存分析③
整个TCGA数据集的基因表达超过2PB，数据类型包括CNV分析，SNP基因分型，DNA甲基化，miRNA分析，外显子组测序和其他类型的数据。 library(RTCGA) infoTCGA() RTCGA临床数据的生存分析 接下来，让我们加载RTCGA.clinical软件包，并获得一些有关可用内容的帮助。 查看有关生存TCGA的帮助以获取更多信息。 您可以为其提供一个临床数据集列表，以及要提取的变量的字符向量。 让我们来看看乳腺癌，卵巢癌和多形性胶质母细胞瘤。 让我们创建一个生存曲线，用Kaplan-Meier图显示它，并显示前5年存活率的表格。 从上面图可以看出，不同数据集的生存曲线明显存在差异。最好的乳腺癌，其次胶质母细胞瘤，最差的是卵巢癌。
1.4K51发布于 2018-12-05 - 来自专栏素质云笔记
生存分析——泊松回归(LightGBM)实现生存分析（四）
You can find the full article here 来看一个比较特殊的Survival分析建模的案例,利用的是半参模型:Poisson Regression 具体参考文章:Survival 数据来源：bike-sharing-dataset 数据集的中文字段解释： 参考：Capital Bikeshare （美国Washington, D.C.的一个共享单车公司）提供的自行车数据上进行回归分析 这里跟生存分析 以及常规回归的差异： 常规回归模型，y~x1+x2… 根据特征直接预测临时用户人数，点估计；这里的Poisson有点类似加强版区间估计，就叫趋势估计？ 生存分析， 生存函数使用的是KM曲线，计算不同生存时间区间下的存活率； 风险函数，计算不同生存时间区间下的风险值 2.2 衡量模型指标 2.2.1 CRPS 我们对结果的评价是用这种任务的标准分数来进行的 它需要对所涉及的整个概率函数进行评估，因此需要对每个每日样本的整个生存曲线进行估计。
2K10编辑于 2021-12-07 - 来自专栏生信小驿站
TCGA生存分析②
例如，比如当希望同时检查种族和社会经济状况对生存的影响时就可能需要换种生存分析方法。 Cox PH回归可以评估分类变量和连续变量的影响，并且可以一次模拟多个变量的影响。 让我们使用常见的肺癌数据并对性别进行Cox回归分析。 简单起见可以用下列来解释： HR = 1：无效 HR> 1：危险增加 HR <1：减少危害（保护性） 下一步让我们创建一个模型来分析数据集中的所有变量！ 请记住，Cox回归是分析连续变量在其分布范围内，其中Kaplan-Meier图上的对数秩检验值可以根据您对连续变量的截断值分组而改变。 这两种生存分析方法以不同的方式回答了一个类似的问题：回归模型是在问“年龄对生存的影响是什么？”，而生存表法回答的问题是，“组与组之间存在生存差异吗？ 比如在那些不到70岁的人群和70岁以上的人群？“
1.4K40发布于 2018-12-05 - 来自专栏从百草园到三味书屋
生存分析（一）
简介 # 生存分析是将观察的结局和出现结局所经历的时间结合起来进行分析的一系列统计方法，常用于研究影响因素与生存时间和结局的关系，预测不同因素水平个体生存预测。 以上为风险函数与生存函数之间的关系3 Kaplan-Meier生存曲线 # K-M曲线是非参数估计生存函数的一种方法。 如何绘制K-M生存曲线？ 临床原始资料一般如下： 患者 生存时间 发生事件与否 删失与否 a 10 0 r b 28 1 c 30 1 d 2 1 e 7 0 r 假设是来分析患者生存分析，定义结局是死亡，最长实验观察时间是 以上介绍了生存分析的基本原理以及非参数生存分析K-M曲线是如何来的，有空介绍半参以及参数化的生存分析方法。 ---- 揭秘生存曲线背后的生物统计学 ↩︎ 怎么理解生存分析的风险函数? - 数据的小米虫的回答 - 知乎 https://www.zhihu.com/question/343779367/answer/2439383246 ↩︎ 怎么理解生存分析的风险函数?
68840编辑于 2023-04-02 - 来自专栏生信补给站
R|生存分析（1）
一、基本概念 生存分析：研究各个因素与生存时间有无关系以及关联程度大小。可拓展到疾病复发时间，机器的故障时间等。 起始事件：反应研究对象开始生存过程的起始特征事件。 变量：生存分析的变量有两个：生存时间t和结局变量(0-1)。其中结局变量1表示死亡事件，0表示截尾。 生存曲线：以生存时间为横轴、生存率为纵轴绘制一条生存曲线。 中位生存时间：又称为生存时间的中位数，表示刚好有50%的个体其存活期大于该时间。 二、生存分析研究的部分内容 1、描述生存过程 研究生存时间的分布特点，估计生存率及其标准误、绘制生存曲线。 注：两个或者多个生存曲线的比较（单因素两个或者多个水平） 3、影响生存时间的因素分析 常用的多因素生存分析方法：Cox比例风险回归模型。可能后面会啰嗦。 三、R包进行生存分析 1、R-survival包进行生存分析，并绘制KM曲线图： Surv：用于创建生存数据对象 survfit：创建KM生存曲线或是Cox调整生存曲线 survdiff：用于不同组的统计检验
3K21发布于 2020-08-06 - 来自专栏生信小驿站
生存分析①R语言
生存分析(Survival analysis)是指根据试验或调查得到的数据对生物或人的生存时间进行分析和推断，研究生存时间和结局与众多影响因素间关系及其程度大小的方法，也称生存率分析或存活率分析。 生存分析适合于处理时间－事件数据,生存时间(survival time)是指从某起点事件开始到被观测对象出现终点事件所经历的时间，如从疾病的“确诊”到“死亡”。 生存分析方法大体上可分为三类：非参数法、半参数方法和参数法，用Kaplan-Meier曲线(也称乘积极限法Product limit method)和寿命表法(Life table method)估计生存率和中位生存时间等是非参数的方法 ，半参数方法指Cox比例风险模型，参数方法指指数模型、Weibull模型、Gompertz模型等分析方法。 survival包中包括了所有生存分析所必须的函数，生存分析主要是把数据放入Surv object，通过Surv()函数做进一步分析。
2.1K41发布于 2018-12-04 - 来自专栏芒果先生聊生信
生信分析网站（生存分析）
生存分析是生信论文中经常出现的表型，也就是说基因在正常和肿瘤组织中表达的差异，与生存率的指标密切相关。如A基因在肿瘤中表达明显上调，生存率显著下降，这就是非常明确的相关性。 生存分析是非常重要的表型，诸多文章均有介绍。这里，我们对生存分析的纯生信数据库进行总结，果友们在选择时也可以作为参考。 生存分析数据库 Kaplan-Meier Plotter数据库（生存分析经典数据库，首选） http://kmplot.com/analysis/ ? PrognoScan数据库（生存分析信息最全面的数据库，次选） http://dna00.bio.kyutech.ac.jp/PrognoScan/index.html GEPIA（国人之光，相关性分析是特色 ） http://www.oncolnc.org/ cBioPortal（组学分析神器也能做生存分析） https://www.cbioportal.org/ ?
4.4K44发布于 2020-08-11 - 来自专栏生信修炼手册
生存分析详细解读
然而有一类数据非常的特殊，用回归分析等常用手段出处理这类数据并不合适，这类数据就是生存数据。 生存分析还有一个特殊的地方就是缺失值的处理，对于常规数据，缺失值很多时可以直接丢掉，只有少量缺失值时可以用算法进行填补，而生存数据中的缺失值则不同。 考虑到生存数据的特殊性，在进行生存分析时，必须采用专用的分析策略。 该方法定义的生存函数如下 ? 对于生存分析的可视化，最常见的就是如下所示的生存曲线 ? KM算法用于单因素生存分析，而且这个因素必须为二分类变量，如上图所示的两种性别。对于连续型的自变量或者多个自变量，则可以采用cox回归分析。
1.5K10发布于 2019-12-19 - 来自专栏生信技能树
突变位点生存分析
一个简单突变位点做生存分析居然拖了一两个月才有人提交笔记！ 数据 2.使用R包maftools读取maf文件，并可视化top10突变基因 3.选取两基因对BRCA临床样本进行分组 所选取两基因都未发生突变的样本为一组 剩余样本为一组 4.使用logrank进行生存分析 group_list<-ifelse(group_list=="TP53/KMT2C+","TP53/KMT2C+","TP53/KMT2C-") table(group_list) 4.针对基因突变与否，进行生存分析 #整理生存分析的输入数据---- #1.由随访时间和死亡时间计算生存时间(月) is.empty.chr = function(x){ ifelse(stringr::str_length(x)= [,3])+as.numeric(meta[,4]))/30 #2.根据生死定义event，活着是0，死的是1 meta$event=ifelse(meta$event=='Alive',0,1) #生存分析
1.9K31发布于 2020-06-19 - 来自专栏生信技能树
生存分析时间点问题
datasets) 2016-04-27 前者数据是 IlluminaHiSeq TCGA hub表达矩阵，基因SYMBOL的表达矩阵，基因的表达信息，通常是用来把病人进行分组，然后还是需要下载临床信息，才能做生存分析 分分钟对TCGA数据库的任意癌症种类做生存分析，并校验 发现TCGA数据库记录病人的生存事件的时候，区分Alive和Dead，但是呢，不同的事件本来是应该对应不同的时间记录字段，但是突然就发现了一个特例 构建生存分析需要的时间 我这里使用的代码好像很复杂： table(phe$vital_status) phe=phe[phe$vital_status %in% c('Alive' , 'Dead'), 但是也有情况出现就是他们不一致，所以就出现了bugs 生存分析代码是 有了上面的数据， 就可以做生存分析并且绘制代码了。 但是，其实是有些癌症的性别生存差异是显著的，大家猜猜看是哪一个呢？
1.1K20发布于 2019-08-26 - 来自专栏菜鸟学数据分析之R语言
TCGA生存分析-单基因
times bcr_patient_barcode patient.vital_status
1.3K30发布于 2020-08-06 - 来自专栏生信修炼手册
使用TCGAbiolinks进行生存分析
TCGAbiolinks不仅提供了数据的下载功能，还提供了各种各样的下游分析功能，生存分析是TCGA数据最经典的应用场景之一，通过TCGAbiolinks可以轻松实现生存分析。 在进行生存分析之前，首先要得到患者的临床数据。 该文件中包含的临床信息是最为全面的 TSV/JSON 将需要下载的数据添加到GDCcart之后，可以选择下载tsv或者json格式的临床信息，这种方式得到的信息只是XML中信息的一个子集，缺点就是不够完整，但是对于生存分析而言却是足够了 ，而且该文件中患者的生存信息比XML文件更新的快。 在进行生存分析时，更推荐使用TSV/JSON格式的生存信息，更新的更加及时，具体用法如下 ? 结果如下所示 ? 通过TCGAbiolinks可以方便的提取TCGA中的临床信息进行生存分析。
1.6K10发布于 2019-12-19 - 来自专栏拓端tecdat
R语言绘制生存曲线估计|生存分析|如何R作生存曲线图
p=6087 根据生存曲线的估计，可以推断出相比组之间存活时间的差异，因此生存曲线非常有用，几乎可以在每个生存分析中看到。 例 在我们将对象放入ggsurvplot()函数之后，我们可以创建简单的生存曲线估计。让我们来看看患有卵巢癌（卵巢浆液性囊腺癌）和患有乳腺癌（乳腺浸润癌）的患者之间存活时间的差异 。 这个简单的图表以优雅的方式呈现了生存概率的估计值，该估计值取决于根据癌症类型分组的癌症诊断天数和信息风险集表，其中显示了在特定时间段内观察的患者数量。 生存分析是一个特定的数据分析领域，因为事件数据的审查时间，因此风险集大小是视觉推理的必要条件。 每个参数都在相应的注释中描述，但我想强调xlim控制X轴限制但不影响生存曲线的参数，这些参数考虑了所有可能的时间。 比较 基础包 ? 看起来很漂亮..... ?
2.2K20发布于 2020-07-16 - 来自专栏生信补给站
R|生存分析-结果整理
根据上面的生存分析的介绍可以大概的了解了生存分析的概念和原理以及KM曲线的绘制。 但是生存分析中COX回归的结果不容易直接输出，本文简单的介绍一种自定义函数，批量并且规则的输出结果的方式。 90 NA 0 6 12 1022 1 74 1 1 50 80 513 0 #cox 回归分析 还可以构建自定义函数，数据框的形式一次输出所有变量的COX回归结果 #查看待分析的变量 covariates <- names(lung[,4:10]) covariates [1] "age"
2K40发布于 2020-08-05 - 来自专栏生物信息云
TCGA数据库：生存分析
本文介绍生存分析，其实，在R中，生存分析很简单，大家在网上能找到无数的文章。利用survival包就可以。就是按照下列公式就可以完成简单的生存分析。 fit <- survfit(Surv(生存时间, 生存状态) ~ 分组, data=数据框) 我们这里就结合基因的表达量，来进行分析。 首先加载我们的数据。 得到上面这样的数据后，我们就可以按照刚刚的公式进行生存分析了： ######################### 生存分析 library(survival) library(survminer) 如果我们要一次批量分析很多基因的高低表达与生存的关系，写一个循环，批量绘图了。 尽管本文是介绍基因表达量的生存分析，但其他的也是一样，就看你怎么分组，比如我们前面介绍SNP的数据处理后，能否做某基因突变与野生型的生存分析呢？其实都是一样的道理，其他的也是一样。
5.3K42发布于 2020-06-04 - 来自专栏生物信息与临床医学专栏
R语言进阶之生存分析
在医学研究中，生存分析是一类非常重要的统计方法，它主要的目的是对生存率和时间进行建模，计算患者在特定时间段内生存的概率，主要用于评估治疗的效果和疾病的危险程度。 因此，生存分析的数据分析也有其自身的特点。 R语言中进行生存分析主要使用“survival”这个包，一看名字就感觉这个包专业而靠谱，实际上确实如此。 在生存分析中，我们最常用的是如下三个函数： survfit( ) # 主要用于计算单个或多个组的生存分布 survdiff( ) # 主要用于检验不同组的生存分布差异 coxph( ) # 主要用于拟合 Cox比例风险模型 这里我们使用Mayo诊所的临床数据（lung）进行生存分析，这个数据集收集了228肺癌患者的信息，包括年龄、性别、生存天数、能量摄入和Karnofsky得分等，整个分析共分为5个步骤 生存分析的内容就先分享到这里，欢迎大家持续关注【生信与临床】。
2.5K10发布于 2020-08-06 - 来自专栏生信修炼手册
使用OncoLnc进行TCGA生存分析
通过收集整理TCGA中不同肿瘤患者的生存数据和基因表达谱信息，OncoLnc提供了一个生存分析的web服务，对应文章的链接如下 https://peerj.com/articles/cs-67/ 网址如下 同时收集了来自MiTranscriptome项目lncRNA表达量数据，从而提供了包含mRNA，miRNA，lncRNA 3中基因的生存分析，可以方便的挖掘各种肿瘤中和生存相关的基因。 点击submit按钮，可以看到事先用cox回归计算好的生存分析结果，示意如下 ? 选择感兴趣的肿瘤，可以进一步进行KM生存分析。 2. 输入样本分组 为了探究基因和生存的相关性，这里根据基因表达量的大小将样本分为high和low两组，自己指定每组的比例，加起来是100%， 示意如下 ? KM生存分析 确定好分组之后，点击submit, 就可以得到如下所示的生存分析结果 ? 通过OncoLnc可以方便的进行TCGA数据的生存分析，快速的查看多种肿瘤中与生存相关的基因。
2.1K10发布于 2019-12-19 - 来自专栏生信技能树
生存分析-黑、白、许多灰
1.TCGA数据库 patient_barcode--那些需要了解的“暗号” 在TCGA数据库中，相同的参与者可能既有肿瘤组织也有正常组织的数据，生存分析时需要将肿瘤数据选出来，进行下一步分析；如果是做差异分析 $Status)) fit<-survfit(fit.surv1~group,data=voom_group) summary(fit) ggsurvplot(fit) tumor_clin$time生存分析中的时间 ； tumor_clin$Status生存分析中的Alive-0和Dead-1； group对应的数据中的分组信息的列的列名； summary（fit）查看数据 ? a中提到的图，即是下图，其实KMplot主要的目的即是生存曲线可视化 ? ； 该方法不对“生存模型”做出假设，假设变量对生存的影响随时间变化是恒定的，并且在一个尺度中具有累加效应，因此不是真正的非参数，为半参数；生存曲线可视化无交叉表示满足PH设定； 单因素cox批量的代码
95730发布于 2019-07-05 - 来自专栏医学和生信笔记
R语言生存分析的实现
生存分析是临床常用统计方法，一旦和时间扯上关系，分析就变得复杂多了，此时不再是单一的因变量，还需要考虑时间给因变量和自变量带来的各种影响。 本次主要演示R语言做生存分析的一些方法。 后续还会给大家介绍Cox回归、时依系数和时依协变量的Cox回归、生存曲线的可视化等内容。 本推文不涉及理论，只有实操，想要了解生存分析的理论的请自行学习。 time是生存时间，以天为单位，status是生存状态，1代表删失，2代表死亡。但是一般在生存分析中我们喜欢用1代表死亡，用0代表删失，所以我们更改一下（其实不改也可以，你记住就行）。 ，横坐标是生存时间，纵坐标是生存率。 =2 2 ## 205 sex=2 2 ## 206 sex=2 2 通过ggsurvplot()进行可视化，非常多的细节可以修改，超级详细的教程可以参考后面的推文：超级详细的R语言生存分析可视化
1.8K10编辑于 2023-02-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号