R语言“出口成章”

       “出口成章”的意思是一出口，文章就成为经典，这与曹植七步成诗神似。数据的统计分析，你最头大的问题是什么？是把分析结果一个数字、一个数字抄录下来，整理成三线表。这事太繁琐！但是现在R语言却说，我可以通过“三行程序”自动成表，快速成文。”

01  案例: 胰腺癌患者的生存

       我们利用一个COX回归分析来作为例子。这是一个真实世界临床研究，通过队列随访获得胰腺癌患者的生存结局，探讨术中放化疗等因素对胰腺癌生存的影响。结局变量包括时间（time）和结局（censor），结局中删失意味着生存。影响因素包括年龄、trt（术中放化疗）、sex（性别）、bui（占位处）、ch（胰胆管浸润程度）、P（有无腹膜转移）、stage（TNM分类）。

02  临床研究常规统计分析方法

        对于这样的案例，我们应该如何去分析？

        这一案例，一般如果写一篇论文，可以从2个角度来分析。第一个角度，就侧重于感兴趣的因素，比如术中放化疗，其他因素作为混杂因素处理；第二角度，所有的因素地位相同，可以探讨各个因素的影响。我们本论文按照第一角度为例，看看R语言如何一气呵成。

         题目：术中放化疗对胰腺癌患者生存结局的影响研究

          统计分析策略：一般论文分析套路是，统计描述、差异比较、回归分析。

1）首先，要开展基本情况的描述，描述患者的基本特征和相应的结局。

2）我们可能需要比较下采取术中放化疗和不采取术中放化疗人群的特征差异性，看分组是否均衡。

3）了解了分组均衡后，我们把分组不均衡的因素和术中放疗因素（trt）一起构建COX回归方程，这就是常见的分析三个过程。

          最终结果：最基本的就包括以下几个结果:对于本题的的内容和目标，统计分析最终得到以下三张非常重要，但需要花大量精力、大量时间去整理规范的统计表。

        1) 统计描述的结果

       2）差异性比较结果

        3）COX回归分析结果

03  如何通过三行R语言”出口成章”

        现在我们看看 如果通过R语言快速将上述3张统计表格一次性生产出来（以下诸位不妨只看R语言的程序行数和其结果，不用关注具体怎么编程）

 1. 准备工作，导入R语言两个重要的包，导入数据

library(tableone)  

library(survival)

library(broom)

p1<-read.csv("pancer.csv")

2）首先进行统计描述

vars <-c("age","sex","trt","bui","ch","p","stage","censor","time")

tableOne <-CreateTableOne(vars = vars,  data = p1)

table1<-print(tableOne,nonnormal= c("time"),showAllLevels = TRUE)

write.csv(table1,file="table1.csv") 

以下截图是R语言分析产生的EXCEL结果和word结果

第一幅图是excel表格，然后可以将Excel结果复制到word并形成第二幅图的三线表。可以发现，无论是正态分布的数据（age），偏态分布数据（time），分类数据，都是按照数据的特征形成不同的结果，均数、中位数或者构成比。迅不迅速？神不神奇？

3）接着进行分组比较

vars1 <- c("age","sex","bui","ch","p","stage")

tabletwo <- CreateTableOne(vars = vars1, strata = c("trt"), data = p1)

table2<-print(tabletwo,nonnormal = c( ),showAllLevels = TRUE)

 write.csv(table2,file="table2.csv")  

以下截图是R语言分析产生的EXCEL结果

可以看出，三行R语言就完成了我们所有变量的比较，有定量的age，也有其它的分类数据，如果你是偏态数据，它还可以进行秩和检验帮你算出。这些结果可以快速形成规范的三线表。真是出口成章！

4） 接着进行COX回归分析

resCox<-coxph(Surv(time,censor)~

age+sex+bui+ch+p+stage+trt,data=p1) 

table31<-ShowRegTable(resCox, exp = TRUE, digits = 2, pDigits = 3,printToggle = TRUE, quote = FALSE, ciFun = confint)

table32<-tidy(resCox)

table3<-cbind(table31,table32) 

write.csv(table7,file="table3.csv")

以下截图是R语言分析产生的EXCEL结果

       我们可以看出，常见需要的回归系数、标准误、p值都在，最令人惊奇的是HR及95CI%置信区间完美合并到一起。若按传统的spss方法，这些数据合并整理成一张表格是非常损耗时间和精力的事情。R语言真是太棒了！

04  总结

       一般的临床研究，统计分析就“三把斧”：统计描述、差异性比较和回归建模。R语言完美解决了统计分析“三把斧”结果整理形成规范三线表的麻烦。在统计描述上，R可以根据不同数据的特征给出不同的统计描述方法，在差异性比较方面，R可以给出不同数据比较的不同差异性比较方法，包括t、F、卡方、fisher法和秩和检验；在回归分析上，不仅是Cox回归，线性回归、logistic回归,R同样可以形成规范的表格。这些表格，如果人工来整理，不仅慢，而且不规范！

 （作者： 浙江中医药大学医学统计学教研室  郑卫军副教授   来源：医学论文与统计分析） 

文章链接：https://mp.weixin.qq.com/s?__biz=MzAwOTYyMDY3OQ==&mid=2650378350&idx=1&sn=68ee5d800978661e821e77e0b1c353af&chksm=8351edc6b42664d01bdad0248052dec5b2f5d37c590b37b95f1cbb924709342e17cef6ec8488&mpshare=1&scene=23&srcid=#rd

没有了？，写完了？