傻瓜式零代码临床预后预测模型软件CoxApp

傻瓜式临床预测模型软件CoxApp
无需复杂冗长的代码
只需要鼠标点点，
即可轻松完成3分SCI
1 CoxApp 简介
傻瓜式零代码预后模型构建、评价、验证
涉及批量缺失值的多重插补、倾向性匹配得分PSM、基线资料分析、KM生存曲线绘制、批量单因素Cox回归、多因素Cox回归、森林图自动绘制、逐步回归、Lasso回归、Lasso得分计算、列线图Nomogram绘制、Nomogram评分计算、ROC曲线、DCA曲线、校准曲线、NRI、IDI计算等。下面逐一介绍。
CoxApp1.0.1版本下载链接:https://pan.baidu.com/s/1vgnvqTfTxIrhCKb37scSWw?pwd=m919 提取码:m919
关注微信公众号spss1949回复CoxApp获得CoxApp最新版下载链接。
2 软件登录
双击应用程序，打开软件。
弹出登录界面。输入用户名、密码，点击登录Login即可。
登录成功界面
3 样本量计算
切换到样本量计算菜单。
弹出样本量计算界面。
输入相应指标大小，点击submit，计算样本量，输出结果如下：

样本量计算的详细操作步骤及结果解读参照B站视频教程，篇幅原因，不再过多罗列。

4 上传数据

切换到上传数据菜单Upload。
弹出上传数据界面。
点击Upload CSV File中的Browse,导入电脑中的csv数据文件，可导入最大不超过100M的数据。需要注意数据并不会上传到云端，不存在数据泄露风险。
数据上传之后，需要设置分类自变量。在Categroy X的选择框中通过鼠标选择分类自变量。选择完成之后，点击submit。

需要注意的是，即使你的数据中不存在分类自变量，也要点击此处的submit，这样软件才知道你的数据中不存在分类自变量。另外对于因变量虽然其也是分类变量，但此处不要选择进来。此处是针对自变量的。
之后，我们可以分别切换到View、Names、Summary、Structure界面。查看数据的基本信息。4个界面结果截图如下，不再赘述，详见B站视频：

<,,,>

5 拆分数据

数据的拆分有两种方法，一种是随机拆分，另外一种是按照数据中的某个二分类资料直接进行拆分。

在数据拆分的Split data选择框中，Split.Random表示随机拆分，此时我们需要通过Set Seed设置种子数，以保证结果的重现性，种子数不同，拆分的数据就不同，这里种子数我设置成了859929351，然后是通过Number：%来设置按照什么比例拆分，一般是按照70%作为训练集，30%作为测试集，设置完成之后点击submit。
在数据拆分的Split data选择框中，Split.by.Variable表示按照数据中的某个二分类资料直接进行拆分,默认样本量大的是训练集，样本量小的是测试集。比如截图中选择了变量Sex，那就会按照性别的不同拆分成两个数据集。设置完成之后点击submit。

在数据拆分完成之后，在哪里找到拆分后的数据集呢？在下方的截图中，我们可以切换到Trainset界面即显示训练集，共有196个样本。可以通过图中的CSV将数据导出成CSV格式的本地数据，也可以通过图中的Excel导出成Excel格式的本地数据。具体步骤不再赘述。针对测试集，只要切换到Testset即可。

<,>

6 多重插补Mice

若数据存在缺失值，可通过多重插补对缺失值进行填补，针对连续性变量、二分类变量、多分类变量试用不同的算法填补。需要注意的是，多重插补是针对整个数据集进行填补，和训练集、测试集无关。

在菜单界面点击Mice,切换到多重插补界面。
自动完成缺失值填补,完整的数据见下。可通过CSV按键或者Excel将插之后的数据集保存本地。

7 倾向性匹配得分PSM

为什么要进行PSM，可能的原因是你的原始数据基线不平衡，需要对不平衡的数据进行PSM，从而得到均衡性的目的。具体原理观看我B站视频。需要注意的是，PSM也是针对整个数据集进行匹配，和训练集、测试集无关。

在菜单界面点击PSM-Table,切换到PSM界面。
在PSM界面,通过Y选择因变量，必须是二分类，比如病例组和对照组，或者试验组和对照组。通过X选择匹配的协变量。通过1：N Matched:q确定是1比几匹配。通过caliper:确定卡钳值是0.1。点击Submit开始匹配。
匹配之后的数据见下，可通过CSV按键或者Excel将插之后的数据集保存本地。在数据里有一个psm.id表示哪些演剧对象配在一起组成了对子。
匹配之后的数据，共有2183对。两组间的协变量比较，可通过P值或SMD值来判断是否均衡。
在菜单界面点击PSM-Plot,可查看PSM得到的图形。每一幅图形都可以通过右侧的菜单进行细节调整。图形确定无误后可导出成PDF。

8 基线资料比较

可以批量进行基线资料的分析，自动化导出训练集、验证集基线信息，以及训练集、验证集比较的表格。

在菜单界面点击Baseline,切换到基线分析界面。
在基线分析界面，通过Time设置随访时间，通过Status设置随访结局，通过Select Method设置选择自变量的方法，这里面我们按照变量名称来选择，通过X多选框来选择变量名称。通过Nonparametric来选择针对连续性自变量究竟是进行秩和检验还是T检验。Significant P Value来设置alpha=0.05。
输出结果见下，包含整个数据集的基线信息，训练集的基线信息，验证集的基线信息，训练集和验证集比较的信息。表格中包含描述性统计结果以及差异性比较的P值。可以导出为三线表。需要注意的是，如果选择T检验，罗列的是均数和标准差；如果选择秩和检验，罗列是的中位数、四分位数。

<,,,>

9 KM生存曲线

可以绘制不同风格的KM生存曲线，通过右侧的菜单可进行细节调整。注意，针对的是训练集进行分析。

在菜单界面点击KM,切换到KM生存曲线分析界面。
在KM生存曲线分析界面，通过Time设置随访时间，通过Status设置随访结局，通过X单选框来选择分类自变量。点击Submit开始分析。
首先输出log-rank检验的P值。
其次输出两幅KM生存曲线。曲线的颜色、线条等都是可以个性化设置。

10 Cox回归分析

可以批量进行单因素Cox回归分析，自动对单因素P<0.05的变量进行多因素Cox分析，结果可导出为三线表。注意，针对的是训练集进行分析。

在菜单界面点击Uni-Cox,切换到Cox回归分析界面。
在Cox回归分析界面，通过Decimal Digits:指定保留3位小数，通过Significant P Value:设置P<0.05的单因素进行多因素分析。需要注意的是，若Significant P Value:设置为1，将对所有变量进行多因素分析。
第一个输出结果是，批量单因素Cox回归的结果。罗列了偏回归系数，标准误、HR值及其95%CI、P值。
第二个输出结果是，批量多因素Cox回归的结果。罗列了偏回归系数，标准误、HR值及其95%CI、P值。
第三个输出结果是，将批量单因素Cox回归的结果与多因素Cox回归的结果绘制在同一幅表格里。单因素、多因素的HR值及其95%CI、P值。
除此之外还可以针对上述的单因素Cox、多因素Cox自动绘制森林图，每一幅森林图的颜色、线条、坐标轴等细节均可以调整。共有5付森林图，可左右查看。

<,,,,>

11 逐步回归

可以进行向前法逐步回归，向后法逐步回归。注意，针对的是训练集进行分析。

在菜单界面点击Stepwise,切换到逐步回归界面。
输出结果见下。

<,>

12 列线图Nomogram

可以进行自动进行列线图绘制。注意，针对的是训练集进行分析。

在菜单界面点击Nomogram,切换到绘制列线图界面。
在列线图界面，通过Time设置随访时间，通过Status设置随访结局，通过X多选框来选择自变量名称。通过Time Point来选择哪一些时间点。如果时间点选择的不合适，结果会很差。点击Submit。
输出的列线图如下，共有两幅，
可进行颜色、线条、坐标轴等的细节修改。
除此之外，还可以计算各个自变量对应的评分，以及不同时间点的Nomogram总得分、概率等指标。

13 ROC曲线绘制
可以自动进行训练集和验证集的ROC曲线绘制。ROC曲线的颜色、线条、坐标轴等可进行个性化设置。
在菜单界面点击ROC-plots,切换到绘制ROC曲线界面。
首先输出训练集的不同时间点的ROC曲线，图上输出AUC及其95%CI区间。
其次输出验证集的不同时间点的ROC曲线，图上输出AUC及其95%CI区间。
14 校准曲线绘制
可以自动进行训练集和验证集的校准曲线绘制以及C指数的计算。校准曲线的颜色、线条、坐标轴等可进行个性化设置。
在菜单界面点击Calibration-plots,切换到绘制校准曲线界面。
在Time Point选择框选择时间点,绘制特定时间点的校准曲线。
以下分别罗列训练集和验证集的校准曲线
以下分别罗列训练集和验证集多个时间点的校准曲线
以下分别罗列训练集和验证集多个时间点的C指数的图形
以下分别罗列训练集和验证集多个时间点的C指数的数值
以下分别罗列训练集和验证集总的C指数的数值及其95%CI，以及bootstrap校正C指数

15 DCA曲线绘制

可以自动进行训练集和验证集的DCA曲线绘制，以及净收益的计算。DCA曲线的颜色、线条、坐标轴等可进行个性化设置。

在菜单界面点击DCA-plots,切换到绘制DCA曲线界面。
在Time Point选择框选择时间点,绘制特定时间点的DCA曲线。
分别罗列出训练集和验证集的DCA曲线。
分别计算出出训练集和验证集的净收益。可以计算不同时间点的净收益，此处只罗列了1080天的。

16 NRI、IDI计算

可以自动进行训练集和验证集的NRI、IDI指标。

在菜单界面点击NRI&IDI,切换到计算NRI、IDI界面。
在弹出的界面，通过Time设置随访时间，通过Status设置随访结局，通过Model New多选框来选择旧模型的自变量名称。通过Model New多选框来选择新模型的自变量名称。通过cutoff:来选择模型概率的截断值。通过time.point:来选择计算特定时间点的NRI、IDI。点击Submit。
分别输出训练集和验证集的分类NRI。
分别输出训练集和验证集的连续性NRI。
分别输出训练集和验证集的IDI。其中M1表示IDI M2表示NRI M3表示中位数差异。