Як зробити ROC-аналіз у R за допомогою моделі Кокса

Я створив кілька регресійних моделей Кокса, і я хотів би побачити, наскільки добре працюють ці моделі, і я подумав, що, можливо, крива ROC або c-статистика можуть бути корисні аналогічно використанню цих статей:

JN Armitage och JH van der Meulen, "Виявлення супутньої захворюваності у хірургічних пацієнтів за допомогою адміністративних даних з Королівським коледжем хірургів Charlson Score", British Journal of Surgery, vol. 97, вип. 5, сс. 772-781, травень 2010 року.

Армітаж використовував логістичну регресію, але мені цікаво, чи можна використовувати модель з пакету виживання, survivalROC дає підказку, що це можливо, але я не можу зрозуміти, як змусити це працювати з регулярною регресією Кокса.

Буду вдячний, якщо хтось покаже мені, як зробити ROC-аналіз на цьому прикладі:

library(survival)
data(veteran)

attach(veteran)
surv <- Surv(time, status)
fit <- coxph(surv ~ trt + age + prior, data=veteran)
summary(fit)

Якщо можливо, я би оцінив як вихідну c-статику, так і хороший графік

Дякую!

Оновлення

Дуже дякую за відповіді. @Dwin: Я просто хотів би бути впевненим, що я зрозумів це правильно, перш ніж обрати вашу відповідь.

Розрахунок, наскільки я розумію, згідно з пропозицією DWin:

library(survival)
library(rms)
data(veteran)

fit.cph <- cph(surv ~ trt + age + prior, data=veteran, x=TRUE, y=TRUE, surv=TRUE)

# Summary fails!?
#summary(fit.cph)

# Get the Dxy
v <- validate(fit.cph, dxy=TRUE, B=100)
# Is this the correct value?
Dxy = v[rownames(v)=="Dxy", colnames(v)=="index.corrected"]

# The c-statistic according to the Dxy=2(c-0.5)
Dxy/2+0.5

Мені не знайомий з валідаційною функцією та завантаженням, але після того, як я подивився на проф. Відповідь Френка Харрела тут на R-help Я зрозумів, що це, мабуть, спосіб отримати Dxy. Довідка для перевірки стану:

... Кореляція рівня Dxy Somers для обчислення для кожного повторного вибору (це займає трохи більше часу, ніж статистика, заснована на ймовірності). Значення, що відповідають рядку Dxy, дорівнюють 2 * (C - 0,5), де C - індекс С або ймовірність узгодження.

Я думаю, що мене переважно плутають стовпці. Я подумав, що скориговане значення - це те, що я повинен використовувати, але я дійсно не зрозумів перевірку результатів:

      index.orig training    test optimism index.corrected   n
Dxy      -0.0137  -0.0715 -0.0071  -0.0644          0.0507 100
R2        0.0079   0.0278  0.0037   0.0242         -0.0162 100
Slope     1.0000   1.0000  0.2939   0.7061          0.2939 100
...

У питанні R-help я зрозумів, що у мене повинен бути "surv = TRUE", якщо у мене є страти, але я не впевнений у тому, яка мета параметра "u = 60" у валідаційній функції. Буду вдячний, якщо ви можете допомогти мені зрозуміти це і переконатися, що я не допустив жодних помилок.

@chl вказав на конкретну відповідь на ваше запитання. Функція пакета 'rms' cphпризведе до створення Somers-D, який може тривіально перетворитися на c-індекс. Однак Гаррелл (який ввів c-індекс у біостатистичну практику) вважає це нерозумним як загальну стратегію оцінки прогностичних заходів, оскільки він має низьку силу для дискримінації серед альтернатив. Замість того, щоб посилатися на хірургічну літературу для своїх методичних вказівок, було б розумніше шукати накопичену мудрість у тексті Гаррела, "Стратегії моделювання регресії" або "Моделях клінічного прогнозування" Штейєрберга.

$\chi^2$