আমি যুক্তরাজ্যে মাথার আঘাতের জাতীয় ট্রমা ডাটাবেস থেকে পূর্ববর্তী তথ্যগুলির ভিত্তিতে একটি লজিস্টিক রিগ্রেশন মডেল বিকাশ করছি। মূল ফলাফলটি হ'ল 30 দিনের মৃত্যুর হার ("বেঁচে থাকা" পরিমাপ হিসাবে চিহ্নিত)। পূর্ববর্তী গবেষণায় ফলাফলের উপর উল্লেখযোগ্য প্রভাবের প্রকাশিত প্রমাণ সহ অন্যান্য ব্যবস্থাগুলির মধ্যে রয়েছে:
Year - Year of procedure = 1994-2013
Age - Age of patient = 16.0-101.5
ISS - Injury Severity Score = 0-75
Sex - Gender of patient = Male or Female
inctoCran - Time from head injury to craniotomy in minutes = 0-2880 (After 2880 minutes is defined as a separate diagnosis)
এই মডেলগুলি ব্যবহার করে, দ্বৈতদৈর্ঘ্য নির্ভরশীল পরিবর্তনশীল দেওয়া, আমি lrm ব্যবহার করে একটি লজিস্টিক রিগ্রেশন তৈরি করেছি built
মডেল ভেরিয়েবল নির্বাচনের পদ্ধতি বিদ্যমান ক্লিনিকাল সাহিত্যের একই নির্ণয়ের মডেলিংয়ের উপর ভিত্তি করে ছিল। সকলেই আইএসএস ব্যতীত লিনিয়ার ফিটের সাথে মডেল হয়েছেন যা ভগ্নাংশ বহুপদী মাধ্যমে ialsতিহ্যগতভাবে মডেল করা হয়েছে। কোনও প্রকাশনা উপরের ভেরিয়েবলগুলির মধ্যে গুরুত্বপূর্ণ তাৎপর্য সনাক্ত করতে পারে নি।
ফ্র্যাঙ্ক হ্যারেলের পরামর্শের পরে আমি মডেল আইএসএসের প্রতি রিগ্রেশন স্প্লাইস ব্যবহার করে এগিয়ে চলেছি (নীচের মন্তব্যে হাইলাইট করা এই পদ্ধতির সুবিধা রয়েছে)। মডেলটি এভাবে নীচে পূর্বনির্ধারিত ছিল:
rcs.ASDH<-lrm(formula = Survive ~ Age + GCS + rcs(ISS) +
Year + inctoCran + oth, data = ASDH_Paper1.1, x=TRUE, y=TRUE)
মডেলের ফলাফল ছিল:
> rcs.ASDH
Logistic Regression Model
lrm(formula = Survive ~ Age + GCS + rcs(ISS) + Year + inctoCran +
oth, data = ASDH_Paper1.1, x = TRUE, y = TRUE)
Model Likelihood Discrimination Rank Discrim.
Ratio Test Indexes Indexes
Obs 2135 LR chi2 342.48 R2 0.211 C 0.743
0 629 d.f. 8 g 1.195 Dxy 0.486
1 1506 Pr(> chi2) <0.0001 gr 3.303 gamma 0.487
max |deriv| 5e-05 gp 0.202 tau-a 0.202
Brier 0.176
Coef S.E. Wald Z Pr(>|Z|)
Intercept -62.1040 18.8611 -3.29 0.0010
Age -0.0266 0.0030 -8.83 <0.0001
GCS 0.1423 0.0135 10.56 <0.0001
ISS -0.2125 0.0393 -5.40 <0.0001
ISS' 0.3706 0.1948 1.90 0.0572
ISS'' -0.9544 0.7409 -1.29 0.1976
Year 0.0339 0.0094 3.60 0.0003
inctoCran 0.0003 0.0001 2.78 0.0054
oth=1 0.3577 0.2009 1.78 0.0750
আমি তখন মডেল থেকে ভবিষ্যদ্বাণীগুলির যথার্থতা নির্ধারণের জন্য আরএমএস প্যাকেজে ক্যালিব্রেট ফাংশনটি ব্যবহার করি। নিম্নলিখিত ফলাফল প্রাপ্ত হয়েছিল:
plot(calibrate(rcs.ASDH, B=1000), main="rcs.ASDH")
মডেল ডিজাইনের সমাপ্তির পরে, আমি বেঁচে থাকার ঘটনার বছরের প্রভাব, ধারাবাহিক ভেরিয়েবলের মাঝারি মানের মূল্য এবং শ্রেণিবদ্ধ ভেরিয়েবলের মোডে ভিত্তি করে নিম্নলিখিত গ্রাফটি তৈরি করেছি:
ASDH <- Predict(rcs.ASDH, Year=seq(1994,2013,by=1),Age=48.7,ISS=25,inctoCran=356,Other=0,GCS=8,Sex="Male",neuroYN=1,neuroFirst=1)
Probabilities <- data.frame(cbind(ASDH$yhat,exp(ASDH$yhat)/(1+exp(ASDH$yhat)),exp(ASDH$lower)/(1+exp(ASDH$lower)),exp(ASDH$upper)/(1+exp(ASDH$upper))))
names(Probabilities) <- c("yhat","p.yhat","p.lower","p.upper")
ASDH<-merge(ASDH,Probabilities,by="yhat")
plot(ASDH$Year,ASDH$p.yhat,xlab="Year",ylab="Probability of Survival",main="30 Day Outcome Following Craniotomy for Acute SDH by Year", ylim=range(c(ASDH$p.lower,ASDH$p.upper)),pch=19)
arrows(ASDH$Year,ASDH$p.lower,ASDH$Year,ASDH$p.upper,length=0.05,angle=90,code=3)
উপরের কোডটি নিম্নলিখিত আউটপুটটির ফলস্বরূপ:
আমার অবশিষ্ট প্রশ্নগুলি নিম্নলিখিত:
1. স্প্লাইন ব্যাখ্যা - সামগ্রিক ভেরিয়েবলের জন্য মেশানো স্প্লাইনের জন্য আমি কীভাবে পি-মান গণনা করতে পারি?
anova(rcs.ASDH)।
plot(Predict(rcs.ASDH, Year)),। আপনি অন্যান্য ভেরিয়েবলগুলিকে বিভিন্ন ধরণের বাঁক তৈরির মতো জিনিসগুলি করতে আলাদা করতে দিতে পারেনplot(Predict(rcs.ASDH, Year, age=c(25, 35)))।