R语言决策树、随机森林、逻辑回归临床决策分析NIPPV疗效和交叉验证
标签： R语言决策树、随机森林、逻辑回归临床决策分析NIPPV疗效和交叉验证 JavaScript博客 51CTO博客
2023-05-06 18:24:05 96浏览
临床决策(clinical decision making)是医务人员在临床实践过程中，根据国内外医学科研的最新进展,不断提出新方案，与传统方案进行比较后,取其最优者付诸实施，从而提高疾病诊治水平的过程。
在临床医疗实践中，许多事件的发生是随机的,对个体患者来说治疗措施的疗效、远期预后常常是不确定的和不可准确预测的，究竟何种选择最好很难简单做出决定。
本文帮助客户进行决策分析NIPPV疗效数据，在充分评价不同方案的风险及利益之后推荐一个最佳的方案，最大限度地保障患者权益，减少临床实践及卫生决策失误。
决策树分析步骤
决策树分析法是通过决策树图形展示临床重要事件的可能发展过程及结局，比较各种备选方案的预期结果从而进行择优决策的方法。决策树分析法通常有6个步骤。
明确决策问题，确定备选方案
对欲解决的问题有清楚的界定,应列出所有可能的备选方案。在决策树上决策的选择应用决策结来代表，通常用方框表示，每个备选方案用从方框引出的臂表示，表示最终决策结果的决策结总是放在决策树的最左端。
用树形图展示决策事件决策
树的画法是从左至右，可能发生的最终结局总是放在决策树最右端,用小三角形表示，称为结局结。每一种结局都是一系列机会事件按时间顺序自然发展的结果，在决策树上这种事件,用圆圈符号表示,称为机会结。每一个机会事件的直接结局用与圆圈联结的臂表示,不同机会结从左至右的顺序是事件发生的时相关系的反映。一个机会结可以有多个直接结局，从每个机会结引出的结局必须是独立、互不包容的状态。
标明各种事件可能出现的概率
每一种事件出现的可能性用概率表示，一般应从质量可靠的文献中查找并结合专家的临床经验及本单位情况进行推测。从每一个事件发生的各种后续事件的可能性服从概率论的加法定律，即每一个机会结发出的直接结局的各臂概率之和必须为1.0。
对最终结局赋值
可用效用值为最终结局赋值，效用值是对患者健康状态偏好程度的测量,通常应用0~1的数字表示,最好的健康状态为1,死亡为0。有时可以用寿命年、质量调整寿命年表示。
计算每一种备选方案的期望值
计算备选方案期望值的方法是从“树尖”开始向“树根”的方向（从右向左）进行计算，效用值与其发生概率的乘积即是期望效用值，每个机会结的期望效用值为该机会结所有可能事件的期望效用值之总和。在决策树中如果有次级决策结时，与机会结期望效用值的计算方法不同，只能选择可提供最大期望效用值的决策臂，而忽略其他臂。最后,选择期望值最高的备选方案为决策方案。
对结论进行敏感性分析
由于临床实践中的事件发生概率值及健康状态的效用值等都可能在一定范围内变动，需要进行敏感性分析。敏感性分析要回答的问题是:当概率及结局效用值等在一个合理的范围内变动时，决策分析的结论方向会改变吗?敏感性分析的目的是测试决策分析结论的稳定性。
NIPPV疗效数据
剔除缺失数据
datanew=**na.omit**(datanew)建立决策树：疗效
datanew.train1=datanew.train[train2,]
datanew.train2=datanew.train[-train2,]剪枝
CARTmodel1 = **rpart**( (疗效) ~.
**printcp**(CARTmodel1)
不剪枝
输出决策树cp值
根据cp值对决策树进行剪枝
able[**which.min**(CARTmodel$c
**prune**(CARTmodel, cp= C
对数据进行预测
得到训练集混淆矩阵准确度和MSE
#########################################准确度
**sum**(**diag**(tab))/**sum**(tab)
## [1] 0.7755102
###############################################MSE##############
MSE=function(y,pred)**sqrt**(**mean**(**as.numeric**(y)-**as.numeric**(pred))^2)
**MSE**(tree.pred,datanew.test$疗效)
## [1] 0.06122449用predict的算下错率
预测分类号
输出结果到excel
**brules.table**(CARTmodel2)[,**c**("Subrule","Variable","Value")]
变量重要程度
随机森林
变量重要程度
**importance**(rf)
**plot**(d,center=TRUE,leaflab=
混淆矩阵
###########################################准确率
**sum**(**diag**(tab))/**sum**(tab)
## [1] 0.8163265
*# [1] 0.7755102*
###############################################MSE##############
**MSE**(**predict**(rf,datanew.test),datanew.test$疗效)
## [1] 0.02040816预测分类号
逻辑回归模型
M2 <- **glm**(formula = 疗效 ~ .,fami迭代回归之前的回归模型参数
迭代回归后的模型参数
逻辑回归预测
#########################################准确度
**sum**(**diag**(tab))/**sum**(tab)
## [1] 0.7755102
##############################################预测分类号
pred
## 2 3 9 13 14 15 17 22 23 26 29 30 32 35 38 39 42 44
## 1 1 1 1 1 1 1 1 1 2 1 1 2 2 1 1 1 2
## 52 53 56 57 60 61 63 64 66 68 69 79 83 87 88 92 94 99
## 1 2 1 1 1 2 1 1 2 1 1 2 1 2 2 1 2 1
## 102 105 106 108 109 112 113 118 123 134 139 140 143
## 2 2 2 2 2 2 1 1 1 2 2 2 1交叉验证
决策树交叉验证
cv.model=**cv.tree**(cpus.ltr, , prune.tree,K =10)
best.size <- cv.model$size[**which**(cv.model$dev==**min**(cv.model$dev))] *# wh*
十折交叉验证
k=10
for(kk in 1:k){
index=**sample**(1:**dim**(data)[1],**floor**(**dim**(data)[1]*(1/k)),replace=F) *#筛选样本*
test=**as.data.frame**(data[index,]) *#训练集*
*#正确率*
precisek/k
## [1] 0.7285714随机森林交叉验证
**rfcv**(**na.omit**(datanew.train), **na.omit**(datanew.train)$疗效, cv.fold=10)
十折交叉验证
*#正确率*
precisek/k
## [1] 0.8424495逻辑回归交叉验证
(cv.err <- **cv**
summary(cv.err)
十折交叉验证
*#正确率*
precisek/k
## [1] 0.6416667
好博客就要一起分享哦！分享海报
此处可发布评论
评论（0）展开评论
展开评论
