净重新分类指数NRI的计算

杨利霞

9 g" w1 R# W8 i净重新分类指数NRI的计算
( J( s" D; T; B7 O# Z“ 医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。
NRI，net reclassification index，净重新分类指数，是用来比较模型准确度的，这个概念有点难理解，但是非常重要，在临床研究中非常常见，是评价模型的一大利器！
( c! H5 a. a) q5 O' d" P
; t/ W  r. n$ i" U4 q0 C4 ]在R语言中有很多包可以计算NRI，但是能同时计算logistic回归和cox回归的只有nricens包，PredictABEL可以计算logistic模型的净重分类指数，survNRI可以计算cox模型的净重分类指数。
5 J+ S% i2 Z. R) T
logistic的NRI
0 f% W5 Y# \* Y1 ?+ f' h9 M) ~, q2 C9 Cnricens包
+ P; Z# _4 h! @4 iPredictABEL包
$ [- q2 p& Z. l生存分析的NRI
1 k$ Z3 x4 P. q( P9 t) z! Nnricens包
survNRI包
logistic的NRI
nricens包
#install.packages("nricens") # 安装R包
library(nricens)
4 o- g/ X! V/ s: o6 Q1
## Loading required package: survival
6 b/ H1 D' S- e& z  N: S1
$ l0 Y) }. I& j+ d使用survival包中的pbc数据集用于演示，这是一份关于原发性硬化性胆管炎的数据，其实是一份用于生存分析的数据，是有时间变量的，但是这里我们用于演示logistic回归，只要不使用time这一列就可以了。
0 W' F: j/ `& A% m' W
" H2 `0 V& L7 U% [) |library(survival)

  a' ?1 c. F& I  q+ b  B# 只使用部分数据
& t# u, n: R6 c& N2 o; @dat = pbc[1:312,]
3 {) A! F% N4 V9 f9 xdat = dat[ dat$time > 2000 | (dat$time < 2000 & dat$status == 2), ]

6 S" J9 S) u$ c. Mstr(dat) # 数据长这样
1
## 'data.frame': 232 obs. of  20 variables:
##  $ id      : int  1 2 3 4 6 8 9 10 11 12 ...
##  $ time    : int  400 4500 1012 1925 2503 2466 2400 51 3762 304 ...
; S* ]+ \4 R& M, R4 W( _##  $ status  : int  2 0 2 2 2 2 2 2 2 2 ...
9 w# K9 W* R' l( q$ C##  $ trt     : int  1 1 1 1 2 2 1 2 2 2 ...
' K6 @  i) S) B; p$ }2 k+ T4 s##  $ age     : num  58.8 56.4 70.1 54.7 66.3 ...
' g1 J4 R2 K+ X##  $ sex     : Factor w/ 2 levels "m","f": 2 2 1 2 2 2 2 2 2 2 ...
) W$ ^# l6 I6 B& e' q##  $ ascites : int  1 0 0 0 0 0 0 1 0 0 ...
##  $ hepato  : int  1 1 0 1 1 0 0 0 1 0 ...
##  $ spiders : int  1 1 0 1 0 0 1 1 1 1 ...
##  $ edema   : num  1 0 0.5 0.5 0 0 0 1 0 0 ...
##  $ bili    : num  14.5 1.1 1.4 1.8 0.8 0.3 3.2 12.6 1.4 3.6 ...
8 ?+ S/ i, I  ~) a( J& s1 |0 J- ]##  $ chol    : int  261 302 176 244 248 280 562 200 259 236 ...
##  $ albumin : num  2.6 4.14 3.48 2.54 3.98 4 3.08 2.74 4.16 3.52 ...
) N$ v- r1 k9 |9 e##  $ copper  : int  156 54 210 64 50 52 79 140 46 94 ...
##  $ alk.phos: num  1718 7395 516 6122 944 ...
# y4 {& Z9 Y8 I/ F##  $ ast     : num  137.9 113.5 96.1 60.6 93 ...
8 P5 i1 K0 H% o* U##  $ trig    : int  172 88 55 92 63 189 88 143 79 95 ...
- u' Q& L0 u2 i) i##  $ platelet: int  190 221 151 183 NA 373 251 302 258 71 ...
0 I; `: w  [8 I3 L+ Y; I##  $ protime : num  12.2 10.6 12 10.3 11 11 11 11.5 12 13.6 ...
##  $ stage   : int  4 3 4 4 3 3 2 4 4 4 ...
5 R! ^/ U2 ~0 r8 }
1
dim(dat) # 232 20
1
## [1] 232  20
1
8 J8 g: g. u0 k/ F然后就是准备计算NRI所需要的各个参数。

2 g7 @: C8 E/ D; n$ I# 定义结局事件，0是存活，1是死亡
event = ifelse(dat$time < 2000 & dat$status == 2, 1, 0)
7 B7 @5 g& l3 q
# 两个只由预测变量组成的矩阵
z.std = as.matrix(subset(dat, select = c(age, bili, albumin)))
z.new = as.matrix(subset(dat, select = c(age, bili, albumin, protime)))

! D% X! P, s/ d- _% U  `# 建立2个模型
! H  ?1 f" ~2 H: S  M2 `8 Dmstd = glm(event ~ age + bili + albumin, family = binomial(), data = dat, x=TRUE)
2 h0 m. }2 Z% w* r$ U# Smnew = glm(event ~ age + bili + albumin + protime, family = binomial(), data = dat, x=TRUE)

# 取出模型预测概率
p.std = mstd$fitted.values
p.new = mnew$fitted.values

: e, Y# z1 s9 R' c) j1
然后就是计算NRI，对于二分类变量，使用nribin()函数，这个函数提供了3种参数使用组合，任选一种都可以计算出来（结果一样），以下3组参数任选1组即可。 mdl.std, mdl.new 或者 event, z.std, z.new 或者 event, p.std, p.new。

: a4 u& ]4 Z% S1 K# 这3种方法算出来都是一样的结果
; \3 \1 J! a6 ?+ x' V" A1 ?& W
" Z+ M0 r% j0 L+ p- \- I7 `, R# 两个模型
nribin(mdl.std = mstd, mdl.new = mnew,
       cut = c(0.3,0.7),
       niter = 500,
) i; }' s  v1 }( u       updown = 'category')
( C  D# _5 Q, u$ H
# 结果变量 + 两个只有预测变量的矩阵
" m" I0 v  X9 E7 D2 Unribin(event = event, z.std = z.std, z.new = z.new,
       cut = c(0.3,0.7),
# \# C, i# d/ O/ S       niter = 500,
       updown = 'category')

## 结果变量 + 两个模型得到的预测概率
nribin(event = event, p.std = p.std, p.new = p.new,
       cut = c(0.3,0.7),
       niter = 500,
       updown = 'category')

; q9 |* W. v/ A2 S8 c1
0 L% [$ }* X0 B2 a: s1 r其中，cut是判断风险高低的阈值，我们使用了0.3,0.7，代表0-0.3是低风险，0.3-0.7是中风险，0.7-1是高风险，这个阈值是自己设置的，大家根据经验或者文献设置即可。

niter是使用bootstrap法进行重抽样的次数，默认是1000，大家可以自己设置。
$ p6 o( ~4 p- k( g6 ^+ ]6 g3 a, D. _
+ X0 m' G1 m0 d3 l0 V9 wupdown参数，当设置为category时，表示低、中、高风险这种方式；当设置为diff时，此时cut的取值只能设置1个，比如设置0.2，即表示当新模型预测的风险和旧模型相差20%时，认为是重新分类。

上面的代码运行后结果是这样的：

. v# \0 b0 a- M( I# T, EUP and DOWN calculation:
  #of total, case, and control subjects at t0:  232 88 144
  `) q, i. Z% W! o& Z( f
  Reclassification Table for all subjects:
        New
5 ]/ |3 `5 s* R, T& l+ ^Standard < 0.3 < 0.7 >= 0.7
. L7 `0 [7 c2 P, x# l5 h4 N  < 0.3    135     4      0
  < 0.7      1    31      4
# R8 E7 p9 c5 O  >= 0.7     0     2     55

  Reclassification Table for case:
        New
" z7 {" p7 K2 J0 [Standard < 0.3 < 0.7 >= 0.7
+ i! d& r3 v* a1 R  < 0.3     14     0      0
  < 0.7      0    18      3
  >= 0.7     0     1     52
& t7 D+ W- N( e. K' Z9 n
  Reclassification Table for control:
        New
Standard < 0.3 < 0.7 >= 0.7
; h7 s( g7 H/ }) g+ Q% ]  < 0.3    121     4      0
, e' j! l5 H& _9 ?  < 0.7      1    13      1
" y5 X- S; }$ Y0 j  >= 0.7     0     1      3
0 q1 z8 m  t$ N* ?
NRI estimation:
' l& p: W6 Y% V. YPoint estimates:
                  Estimate
NRI            0.001893939
NRI+           0.022727273
NRI-          -0.020833333
* X% i5 N7 U" n8 _- {Pr(Up|Case)    0.034090909
) X! d. y! @6 q( oPr(Down|Case)  0.011363636
Pr(Down|Ctrl)  0.013888889
Pr(Up|Ctrl)    0.034722222
  G6 N7 M/ f2 r  Z7 E
Now in bootstrap..

Point & Interval estimates:
5 |/ m/ ?; I. R! i# \/ d. m5 Q                  Estimate   Std.Error        Lower       Upper
- \1 G4 R' V) s, _; yNRI            0.001893939 0.027816095 -0.053995513 0.055354449
NRI+           0.022727273 0.021564394 -0.019801980 0.065789474
NRI-          -0.020833333 0.017312438 -0.058823529 0.007518797
; t" x- g! [8 m  |Pr(Up|Case)    0.034090909 0.019007629  0.000000000 0.072164948
* {0 Z/ P5 ^2 Y9 p: `2 ^2 VPr(Down|Case)  0.011363636 0.010924271  0.000000000 0.039603960
Pr(Down|Ctrl)  0.013888889 0.009334685  0.000000000 0.035211268
/ Q3 d4 S  Y7 n( FPr(Up|Ctrl)    0.034722222 0.014716046  0.006993007 0.066176471

1
首先是3个混淆矩阵，第一个是全体的，第2个是case（结局为1）组的，第3个是control（结局为2）组的，有了这3个矩阵，我们可以自己计算净重分类指数。
, R4 E4 K5 m2 P/ p+ T
; p6 r/ `; r3 r4 b8 ?看case组：
4 _: G, b3 ]8 [6 |1 k( m0 M
净重分类指数 = ((0+3)-(0+1)) / 88 ≈ 0.022727273
  Q1 G! ^. Z) G/ H, P
再看control组：
1 Q  R2 }8 _: L7 b4 \  {
净重分类指数 = ((1+1)-(4+1)) / 144 ≈ -0.020833333
+ _! N1 R9 S# X3 F0 M) G& w
相加净重分类指数 = case组净重分类指数 + control组净重分类指数 = 2/88 - 3/144 ≈ 0.000315657

6 [8 b9 ]" h- y+ I, C再往下是不做bootstrap时得到的估计值，其中NRI就是绝对净重分类指数，NRI+是case组的净重分类指数，NRI-是control组的净重分类指数（和我们计算的一样哦），最后是做了500次bootstrap后得到的估计值，并且有标准误和可信区间。
+ k2 x1 y6 n8 s( {. ~$ [1 t
最后还会得到一张图：

这张图中的虚线对应的坐标，就是我们在cut中设置的阈值，这张图对应的是上面结果中的第一个混淆矩阵，反应的是总体的情况，case是结果为1的组，也就是发生结局的组，control是结果为0的组，也就是未发生结局的组。
. |5 n/ ?0 K# c, L, [: G
( b4 o; ^) E: @6 C9 U% vP值没有直接给出，但是可以自己计算。

# 计算P值
* S( A7 H; S' ~" n: `2 c7 S( j! sz <- abs(0.001893939/0.027816095)
6 z1 q/ K" H( ]# k: ep <- (1 - pnorm(z))*2
p
1
' @- v. E& w0 s## [1] 0.9457157
6 G/ q4 Z" |4 m1 W  c* l1
PredictABEL包
#install.packages("PredictABEL") #安装R包
library(PredictABEL)  

# 取出模型预测概率，这个包只能用预测概率计算
p.std = mstd$fitted.values
p.new = mnew$fitted.values
7 t9 @; _' I  s0 l/ V. u1
然后就是计算NRI：

( o: O& x; C* J* U3 t* Fdat$event <- event
5 b. p* X! G. n9 v
5 L4 \' e: o5 c* {/ K" K/ qreclassification(data = dat,
9 h4 r1 Z4 a* H& c9 u5 A# s                 cOutcome = 21, # 结果变量在哪一列
6 v- U6 v, m: {. T: p: u" p6 @                 predrisk1 = p.std,
& I( t5 m6 n0 R! s% ]  F) d6 D/ t                 predrisk2 = p.new,
0 b8 ~: G- u9 \; D                 cutoff = c(0,0.3,0.7,1)
                 )
7 b. R; z9 D0 G$ T! Y' c% c+ u; [5 o# {1
##  _________________________________________
/ v& Y+ g5 e( \! W0 s8 |: @##  
##      Reclassification table   
##  _________________________________________
. T  F  G& x4 Q( R##
4 v. e: r/ W7 k# \# O) e9 B8 o1 t##  Outcome: absent
  p: w0 g; _/ l  ?0 X! J# w  ]$ m##   
0 h9 R# d3 w' n) d3 }8 z: L##              Updated Model
7 q% C! ?. E: e6 p! T- }## Initial Model [0,0.3) [0.3,0.7) [0.7,1]  % reclassified
##     [0,0.3)       121         4       0               3
8 e2 s7 F6 m+ j. B6 A4 _3 @##     [0.3,0.7)       1        13       1              13
9 w9 N$ C5 _7 s! Z& w##     [0.7,1]         0         1       3              25
##
* |2 g5 W3 j9 L##  
- c# `- x0 I' M+ r- r0 Q2 B##  Outcome: present
  @- A& J# G* R. f" H: K##   
##              Updated Model
- l! p- t: h! c9 l6 Q; n## Initial Model [0,0.3) [0.3,0.7) [0.7,1]  % reclassified
, ?# [" ^. j- t0 R' J3 W2 P4 K##     [0,0.3)        14         0       0               0
##     [0.3,0.7)       0        18       3              14
##     [0.7,1]         0         1      52               2
% k- ]: X+ y! |* \" q##
: C, A! Y0 h% X1 Q##  
##  Combined Data
' {+ {9 N5 h9 F/ z3 ]2 Y: ~##   
##              Updated Model
3 X  q9 n8 r$ T9 j- I! D5 z% {# M2 u## Initial Model [0,0.3) [0.3,0.7) [0.7,1]  % reclassified
) }. N- K6 I. z9 G% {9 V) k##     [0,0.3)       135         4       0               3
! I/ w3 g5 W% e7 g- n" F! T9 `##     [0.3,0.7)       1        31       4              14
- e7 [0 b1 S% F9 _0 [. r##     [0.7,1]         0         2      55               4
  q$ E  x/ S% g4 _7 x3 p% ]##  _________________________________________
##
##  NRI(Categorical) [95% CI]: 0.0019 [ -0.0551 - 0.0589 ] ; p-value: 0.94806
# b8 `" x6 [" j5 r6 a2 B( P; G##  NRI(Continuous) [95% CI]: 0.0391 [ -0.2238 - 0.3021 ] ; p-value: 0.77048
##  IDI [95% CI]: 0.0044 [ -0.0037 - 0.0126 ] ; p-value: 0.28396
2 W- H% |' _% M3 y1 m6 [0 d' K0 e
1
结果得到的是相加净重分类指数，还给出了IDI和P值。两个包算是各有优劣吧，大家可以自由选择。

5 A9 L* k  T; m& i8 M. ]' T  h/ o生存分析的NRI
* P, J1 }( @6 I; \( Y' N" \" O+ y: L还是使用survival包中的pbc数据集用于演示，这次要构建cox回归模型，因此我们要使用time这一列了。
; H9 e: W' `: U: {! D9 q1 E
nricens包
, z% f! F* z+ o4 m8 Y( ?library(nricens)
library(survival)

! _* n- \; }3 I/ \dat <- pbc[1:312,]
0 F7 [6 s3 U- O% m$ X- ]dat$status <- ifelse(dat$status==2, 1, 0) # 0表示活着，1表示死亡
5 u7 G" {# M2 o; {! L' W0 l: S1
% Q2 ~1 I# v' x然后准备所需参数：

# 两个只由预测变量组成的矩阵
+ j, i, ~' _+ t  G+ I( w0 T; U  j8 tz.std = as.matrix(subset(dat, select = c(age, bili, albumin)))
z.new = as.matrix(subset(dat, select = c(age, bili, albumin, protime)))

# 建立2个cox模型
; t3 S- A! m4 C  {mstd <- coxph(Surv(time,status) ~ age + bili + albumin, data = dat, x=TRUE)
mnew <- coxph(Surv(time,status) ~ age + bili + albumin + protime, data = dat, x=TRUE)
' A1 H6 k. ^1 F6 K( O
$ q; x2 e3 N, w# 计算在2000天的模型预测概率，这一步不要也行，看你使用哪些参数
7 _% ^/ _$ ]* N/ f; up.std <- get.risk.coxph(mstd, t0=2000)
! }% K" u" m5 ?; [2 ^/ mp.new <- get.risk.coxph(mnew, t0=2000)
: }) M! U: n) C+ h1
2 R5 d, _* b- w' l& c  l& S计算NRI：
8 [3 }- _. E2 n( @
9 |- H3 ]7 t' W0 o1 C) Dnricens(mdl.std= mstd, mdl.new = mnew,
, z9 M) M/ e! r* S" V        t0 = 2000,
1 R! F. c* x8 B- a7 l        cut = c(0.3, 0.7),
        niter = 1000,
- Q0 Z3 e5 `; }        updown = 'category')
# k# g  q4 ]; w- F
UP and DOWN calculation:
  #of total, case, and control subjects at t0:  312 88 144
- l, y7 N4 T; m% G
4 x5 q  _, y  J) i6 N0 w  Reclassification Table for all subjects:
        New
/ J2 }, N! g( ^  b* y' HStandard < 0.3 < 0.7 >= 0.7
  < 0.3    202     7      0
  < 0.7     13    53      6
  >= 0.7     0     0     31

  Reclassification Table for case:
        New
$ D2 ?$ d- \; Q0 q% @  j6 x1 MStandard < 0.3 < 0.7 >= 0.7
9 h7 W; s+ `+ I# ?  < 0.3     19     3      0
5 k/ D, Z  o3 A  n. Z  < 0.7      3    32      4
6 N5 V, b% |1 u  >= 0.7     0     0     27
( v, r  x) n) X+ G
2 a5 ~# T. [  P, F& }& c- n* i  Reclassification Table for control:
        New
Standard < 0.3 < 0.7 >= 0.7
  < 0.3    126     3      0
2 a! r( \; U7 y8 y- B6 Y  < 0.7      5     7      2
5 j  g8 f' x$ S$ }4 A) m& @  >= 0.7     0     0      1
- I0 d" \1 ^$ w
2 j9 k4 i' w" ^# M4 M$ jNRI estimation by KM estimator:

! b1 v# x7 }% Y, ?. [6 xPoint estimates:
; `$ ?7 h) R9 J+ n/ m                Estimate
NRI           0.05377635
NRI+          0.03748660
NRI-          0.01628974
Pr(Up|Case)   0.07708938
% u& E0 E# j, u. M! E( T7 X. QPr(Down|Case) 0.03960278
Pr(Down|Ctrl) 0.04256352
$ L: r" R) c( |8 ]Pr(Up|Ctrl)   0.02627378

  U. i9 n% K- }% x) V. u2 b/ YNow in bootstrap..
0 G% c9 a7 U) I$ t
. n1 ^$ I% _9 \4 f( v0 sPoint & Interval estimates:
                Estimate        Lower      Upper
NRI           0.05377635 -0.082230381 0.16058172
% w' E* E6 p% D7 LNRI+          0.03748660 -0.084245197 0.13231776
NRI-          0.01628974 -0.030861213 0.06753616
, r6 S+ K8 t, [2 W9 C! J* WPr(Up|Case)   0.07708938  0.000000000 0.19102291
Pr(Down|Case) 0.03960278  0.000000000 0.15236016
; j6 t1 ~" N, J4 ~Pr(Down|Ctrl) 0.04256352  0.004671535 0.09863170
Pr(Up|Ctrl)   0.02627378  0.006400463 0.05998424

2 }+ P8 k& Y- i4 A/ A8 l2 m) [( E1
0 ~2 K2 H( V0 q1 D# Y
Snipaste_2022-05-20_21-49-38
结果的解读和logistic的一模一样。

survNRI包
5 A; H9 w/ j) O3 a- I# 安装R包
/ B. x9 W1 N# Z7 R, B) h! L& j$ \devtools::install_github("mdbrown/survNRI")
1
8 J' E0 ]; f) T( V加载R包并使用，还是用上面的pbc数据集。
7 }! g$ E/ A  {7 C
% ^, N6 S6 R" h( @library(survNRI)
( ~4 X4 p1 u4 A" I1
## Loading required package: MASS
1
$ c$ |% M5 D) n5 j, [! {/ ~& \$ Ulibrary(survival)
, U9 c8 n, C* u7 h8 d4 i
3 x- z1 f8 e6 i) r) ^# 使用部分数据
6 C% F2 m* W7 t9 ]% K) ddat <- pbc[1:312,]
dat$status <- ifelse(dat$status==2, 1, 0) # 0表示活着，1表示死亡
  h$ `: z. T$ G) N5 }% |
res <- survNRI(time  = "time", event = "status",
, ]+ q& R3 t/ M' }        model1 = c("age", "bili", "albumin"), # 模型1的自变量
        model2 = c("age", "bili", "albumin", "protime"), # 模型2的自变量
        data = dat,
; U" }7 y2 i& s        predict.time = 2000, # 预测的时间点
        method = "all",
        bootMethod = "normal",  
* o  R, q! |, {7 \, ~2 @( Z1 b        bootstraps = 500,
        alpha = .05)

0 x& T* q5 G$ x/ ^6 b1
% _! W. x3 f" x, a查看结果，$estimates给出了不同组的NRI以及总的NRI，包括了使用不同方法（KM/IPW/SmoothIPW/SEM/Combined）得到的结果；$CI给出了可信区间。

1 Y2 s/ C! C9 w* x9 b$ y7 Bres
' D; n" [- V7 C  ~2 s1
. S' R1 m1 S# ~6 F/ p" e2 `' j## $estimates
3 {2 H+ b% D" k) G##            NRI.event NRI.nonevent       NRI
## KM        0.20445422    0.3187408 0.5231951
## IPW       0.22424434    0.3273544 0.5515987
## SmoothIPW 0.19645006    0.3144263 0.5108763
7 M5 O1 }* k- N' c6 a! x## SEM       0.07478611    0.2632127 0.3379988
- T! n% h' [3 C+ P* c## Combined  0.19633867    0.3143794 0.5107181
/ y& x$ ?$ n4 e+ D4 `8 w##
, W# ^! J3 z8 K9 T## $CI
# c3 m7 c; ~, M6 b3 z) O* s% D. u## $CI$NRI.event
/ Z; _% j2 s# o: T##                     KM         IPW   SmoothIPW        SEM   Combined
## lowerbound -0.03915924 -0.02185068 -0.04724202 -0.1162587 -0.0473723
' s; ?9 k) u4 p' y% F9 H  W3 k* Z## upperbound  0.44806768  0.47033936  0.44014214  0.2658309  0.4400496
- c+ @9 U5 \0 Z" U##
## $CI$NRI.nonevent
##                   KM       IPW SmoothIPW        SEM  Combined
* U. R5 @! ~! z' Q+ }- P% u# z. R## lowerbound 0.1317108 0.1396315 0.1286685 0.08638933 0.1286426
! {6 h  B& q4 ^# l! v0 ?0 F( w## upperbound 0.7102251 0.7393216 0.6966341 0.51482212 0.6964549
2 q  r( E* Z6 W& @) M, R1 Y##
## $CI$NRI
8 o: c, X& ~4 d# O##                     KM         IPW   SmoothIPW         SEM    Combined
## lowerbound -0.05112533 -0.04569046 -0.05439863 -0.04132364 -0.05443409
) {- G; O, |/ B/ _## upperbound  0.89306122  0.92464359  0.87970125  0.64253510  0.87953153
% S4 N- A+ d7 `0 s! m4 E' f##
##
## $bootMethod
## [1] "normal"
##
## $predict.time
% c+ O1 k. }3 u- Q9 t  V## [1] 2000
##
## $alpha
2 G, |0 }( q6 a& W% z  T0 Z" a## [1] 0.05
##
## attr(,"class")
/ C5 X: ^0 Y3 O8 U3 O## [1] "survNRI"

1
OK，这就是NRI的计算，除此之外，随机森林、决策树、lasso回归、SVM等，这些模型，都是可以计算的NRI的，后面会继续介绍。大家如果有问题欢迎在评论区留言。

( T. S' }- R5 [! L, j本文首发于公众号：医学和生信笔记

7 R( {$ V- f- E8 i! z“ 医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。
/ }' g* s; W  h本文由 mdnice 多平台发布
+ }, U; V: O) E9 O2 T————————————————
版权声明：本文为CSDN博主「阿越就是我」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Ayue0616/article/details/126768006
% {# I" r6 Y  P0 O- ?

  a7 S) I6 u9 d& ^, \1 K