医学统计与R语言：生存分析中连续性变量optimal cutoff确定

《Incremental Prognostic Value of Apparent Diffusion Coefficient Histogram Analysis in Head and Neck Squamous Cell Carcinoma》和《A DNA repair pathway score predicts survival in human multiple myeloma: the potential for therapeutic strategy》等论文中对生存分析中的连续性变量的optimal cutoff进行了确定，文章中的部分统计方法描述和结果截图如下：

如何通过R语言实现呢：

输入：

surdata <- read.csv("C:/Users/mooos/Desktop/surdata.csv")

str(surdata)

结果：

       'data.frame': 95 obs. of  6 variables:
 $ id    : int  1 2 3 4 5 6 7 8 9 10 ...
 $ group : int  1 1 1 1 1 1 1 1 1 1 ...
 $ status: int  1 0 0 0 0 0 0 0 0 0 ...
 $ time  : int  186 6 78 180 224 196 207 242 216 86 ...
 $ size  : num  6.2 35.75 70 28.2 0.27 ...
 $ hb    : num  100 78 135 124 113 139 125 111 100 142 ...

输入：

install.packages("survminer")
library(survminer)

sur.cut <- surv_cutpoint(surdata, time = "time", event = "status",variables = c("size", "hb"))

summary(sur.cut)

结果：

        cutpoint    statistic
size      9.6      2.186425
hb       89.5     1.535561

#size的cutoff是9.6，hb的cutoff是89.5

输入：plot(sur.cut, "size", palette = "npg")

结果：

输入：sur.cat <- surv_categorize(sur.cut)

          head(sur.cat)

结果：

    time status size   hb
1  186      1    low   high
2    6        0    high  low
3   78       0    high  high
4  180      0    high  high
5  224      0    low   high
6  196      0    low   high

#将连续性定量变量size和hb按cutoff转为二分类变量

输入：              

fit1 <- survfit(Surv(time, status) ~size, data = sur.cat)       

ggsurvplot(fit1, data = sur.cat,  conf.int = F,pval = T,legend.title="size"， legend.labs=c(">9.6","<=9.6"))

结果：

                                                                           （请扫瞄二维码关注公众号）