净重新分类指数NRI的计算

杨利霞

. }7 {6 S1 d' w  s, _7 w2 h净重新分类指数NRI的计算
“ 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！

) b5 X8 W- ?) I% e$ ]7 o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。
. W; J+ a/ r/ H( H, e: S, X
5 {+ w% {$ G) elogistic的NRI
% }- M$ @) L2 O4 ynricens包
PredictABEL包
生存分析的NRI
nricens包
survNRI包
logistic的NRI
nricens包
#install.packages("nricens") # 安装R包
; Q- f3 N4 l1 N; j$ I+ K# ylibrary(nricens)
0 k5 o+ M! x* i4 b3 P1
## Loading required package: survival
8 |  _0 `' v/ ~1
" @  s8 I( L* L* j# _- F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。

library(survival)
3 i$ p. |  T% B
# 只使用部分数据
& h$ z9 g1 b6 V9 Zdat = pbc[1:312,]
- E- y0 h: W: b) |: h+ W6 s9 Idat = dat[ dat$time > 2000 | (dat$time < 2000 & dat$status == 2), ]

, w' t' }9 s' W: E  Bstr(dat) # 数据长这样
1
( r6 q  G2 ]% l7 Q: E/ Z## '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 ...
##  $ status  : int  2 0 2 2 2 2 2 2 2 2 ...
##  $ trt     : int  1 1 1 1 2 2 1 2 2 2 ...
##  $ age     : num  58.8 56.4 70.1 54.7 66.3 ...
$ q0 J5 K! a6 Q* K  B, w##  $ sex     : Factor w/ 2 levels "m","f": 2 2 1 2 2 2 2 2 2 2 ...
' ]( I! O2 T+ |# Q##  $ ascites : int  1 0 0 0 0 0 0 1 0 0 ...
% W# A1 f1 _, _9 L##  $ hepato  : int  1 1 0 1 1 0 0 0 1 0 ...
/ M  {6 K1 q( \6 W% }3 }: h4 T##  $ spiders : int  1 1 0 1 0 0 1 1 1 1 ...
4 m. j0 _2 G8 \" R! d2 e5 k##  $ 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 ...
##  $ 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 ...
+ J# c( i* p5 U% F1 G##  $ copper  : int  156 54 210 64 50 52 79 140 46 94 ...
##  $ alk.phos: num  1718 7395 516 6122 944 ...
##  $ ast     : num  137.9 113.5 96.1 60.6 93 ...
* D' b  u& k+ p; r! u##  $ trig    : int  172 88 55 92 63 189 88 143 79 95 ...
##  $ platelet: int  190 221 151 183 NA 373 251 302 258 71 ...
- D2 I/ ?0 ]0 L7 T. D2 E##  $ protime : num  12.2 10.6 12 10.3 11 11 11 11.5 12 13.6 ...
7 p* x  E# s' j/ @##  $ stage   : int  4 3 4 4 3 3 2 4 4 4 ...
/ D9 o- J- c3 `6 n0 e1 S& z; Q
( \9 `8 K% D3 X* A* R+ o, y/ v1
dim(dat) # 232 20
, J7 T) e8 s( j; d$ X& T& M1
0 I9 c; d& z5 k5 }0 a0 ]! s$ ?. E/ A% `## [1] 232  20
! s& F0 m6 g& d  d$ T  \# z1
2 Q  B: P9 A' O' R7 W* |- p* m1 W! T9 }然后就是准备计算NRI所需要的各个参数。

; |+ A* C: ~% s7 ]* m$ t; Y# 定义结局事件，0是存活，1是死亡
event = ifelse(dat$time < 2000 & dat$status == 2, 1, 0)

" f) i  m8 N( }0 c3 A# 两个只由预测变量组成的矩阵
z.std = as.matrix(subset(dat, select = c(age, bili, albumin)))
" m) N1 x3 D2 D: [% [' L2 Vz.new = as.matrix(subset(dat, select = c(age, bili, albumin, protime)))
: p& u2 y- q8 ^- R
; r+ A! B- V3 l2 P; Z. A# 建立2个模型
( {6 e' E8 c  _& D9 Cmstd = glm(event ~ age + bili + albumin, family = binomial(), data = dat, x=TRUE)
* ]  K  Z) _% Z1 ?% jmnew = glm(event ~ age + bili + albumin + protime, family = binomial(), data = dat, x=TRUE)
5 o/ S# Z; ^0 g
) |: m1 v- ?/ }0 B, j4 ^  f- V6 n. r) T# 取出模型预测概率
p.std = mstd$fitted.values
* \  z$ T$ s' a, xp.new = mnew$fitted.values

2 J! \4 ?7 q* O1
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。
! R: o" j) g, `
, o5 r+ B- f5 [3 g# 这3种方法算出来都是一样的结果
. m* m- w8 U& G& a
% f. w0 [4 m% j1 H. }+ h1 h& Y# 两个模型
& w0 C/ J* Z5 ]nribin(mdl.std = mstd, mdl.new = mnew,
       cut = c(0.3,0.7),
       niter = 500,
! V* G, ~9 \) L( G4 ^8 u% Y       updown = 'category')

# 结果变量 + 两个只有预测变量的矩阵
nribin(event = event, z.std = z.std, z.new = z.new,
       cut = c(0.3,0.7),
       niter = 500,
       updown = 'category')
. I2 A$ O% O4 q, b. O3 z, `& S
+ y0 ~7 i  ^2 `. y% v+ A. s. q, Z7 ?## 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,
5 c! F( j, z/ {4 o' G1 |       cut = c(0.3,0.7),
       niter = 500,
1 U8 S7 T1 i( J* C       updown = 'category')

) H0 s3 T; c& {4 u2 y1
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。
+ A  ?0 S; V* [7 u
. P- l8 i4 F* J6 r: Z; _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。
( r! V& q2 r7 J7 N6 [
5 `% w4 t7 u" k# h/ o) Oupdown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。

. o" l$ E: ~8 N& B2 p6 \上面的代码运行后结果是这样的：
+ Z" m4 w3 Y/ z8 P6 M- y
UP and DOWN calculation:
  #of total, case, and control subjects at t0:  232 88 144

" ]+ _- `& T5 G4 F3 I( D1 M  Reclassification Table for all subjects:
        New
Standard < 0.3 < 0.7 >= 0.7
  < 0.3    135     4      0
  < 0.7      1    31      4
* I. y3 l6 d+ K! C2 m# F  >= 0.7     0     2     55

. x9 U1 N4 K! I( L5 m, c& o, f  Reclassification Table for case:
        New
2 e" J+ S9 B' n  I' P, pStandard < 0.3 < 0.7 >= 0.7
  < 0.3     14     0      0
, v. t/ X/ }$ b  < 0.7      0    18      3
) ]2 K  b# O, N1 c) q  >= 0.7     0     1     52
! P- a; Y% `: _
  Reclassification Table for control:
        New
+ Q7 O3 f3 T9 q0 J( nStandard < 0.3 < 0.7 >= 0.7
  < 0.3    121     4      0
7 O- F- K1 @# n% B; f  < 0.7      1    13      1
  >= 0.7     0     1      3

NRI estimation:
Point estimates:
                  Estimate
NRI            0.001893939
: s/ p( T7 H$ f  I. m; I) @NRI+           0.022727273
NRI-          -0.020833333
Pr(Up|Case)    0.034090909
Pr(Down|Case)  0.011363636
5 u# q- E: T) U/ ePr(Down|Ctrl)  0.013888889
Pr(Up|Ctrl)    0.034722222
' e: s- B/ b+ Q1 \; Q; T* F0 t" }+ q1 l
* A4 a7 |. s) C5 H3 [Now in bootstrap..

Point & Interval estimates:
                  Estimate   Std.Error        Lower       Upper
NRI            0.001893939 0.027816095 -0.053995513 0.055354449
NRI+           0.022727273 0.021564394 -0.019801980 0.065789474
0 f* F6 W% t5 I; a, z0 NNRI-          -0.020833333 0.017312438 -0.058823529 0.007518797
Pr(Up|Case)    0.034090909 0.019007629  0.000000000 0.072164948
; ?$ q5 P; ?' V: d0 ]+ K$ tPr(Down|Case)  0.011363636 0.010924271  0.000000000 0.039603960
Pr(Down|Ctrl)  0.013888889 0.009334685  0.000000000 0.035211268
Pr(Up|Ctrl)    0.034722222 0.014716046  0.006993007 0.066176471
0 X+ {6 L7 e5 y% c
/ Z; ^8 l) p1 ]; [' c1
* O8 M, J  _. ~7 c2 R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。
5 S  v, `! ?! ~/ J' ?7 H
$ {. X$ S) W6 X看case组：

净重分类指数 = ((0+3)-(0+1)) / 88 ≈ 0.022727273
2 R6 l! \% t: g, E/ Y+ g% c- J- Y$ T
  [* [- `' U0 E& R# r: ^9 |再看control组：
' Y& h7 C' @! {, m, p/ i' c
/ l; y2 S  j& a# T3 N0 H净重分类指数 = ((1+1)-(4+1)) / 144 ≈ -0.020833333

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
) `: {2 y5 R3 s7 |2 |9 O. d, v
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。
& v" U1 H. A) r& }! d9 t
最后还会得到一张图：

$ q4 R- n/ e  J$ x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。
+ P3 `' S" d3 M9 T
P值没有直接给出，但是可以自己计算。
: A$ w, z6 z4 |0 r( ]
# 计算P值
z <- abs(0.001893939/0.027816095)
p <- (1 - pnorm(z))*2
* t8 x" x# g, Z  h' H( h# [2 O$ Ap
- T$ p! [5 u- J( u1
## [1] 0.9457157
1
# A' j4 ]' u2 W$ k+ OPredictABEL包
  K( [- O  w; F" k# M( A8 ]#install.packages("PredictABEL") #安装R包
library(PredictABEL)  
1 r2 c6 P8 _5 D" v( j  B. b% s# C  |
( J+ n! n( Y6 w* z# 取出模型预测概率，这个包只能用预测概率计算
' J$ Z) x( v; ]& tp.std = mstd$fitted.values
; A" Y! K* {3 @* m9 w( lp.new = mnew$fitted.values
/ j' F  f% \' ]$ x2 p3 [1
& p- R& {. h9 w8 H; Z" |! F% ^然后就是计算NRI：
" K% f5 x5 Y' ?6 x  ?" P
dat$event <- event
  h: T4 M0 f2 t6 ?8 s
3 c9 d4 x% ]% V' j8 R0 ereclassification(data = dat,
                 cOutcome = 21, # 结果变量在哪一列
1 m6 j2 L! N+ N! a! |4 t' Z! U                 predrisk1 = p.std,
                 predrisk2 = p.new,
                 cutoff = c(0,0.3,0.7,1)
: S( F6 Y$ [1 Q1 }# t                 )
1
##  _________________________________________
##  
##      Reclassification table   
##  _________________________________________
2 I2 D+ R$ y$ O0 d2 A  U##
0 h3 }# Q; V. n4 p##  Outcome: absent
##   
0 L; A! T5 y" F" e3 k8 G* V' c$ x##              Updated Model
  t% ~% T5 f* {* q0 q## Initial Model [0,0.3) [0.3,0.7) [0.7,1]  % reclassified
##     [0,0.3)       121         4       0               3
% w& w1 a* G% B6 u1 E* ?##     [0.3,0.7)       1        13       1              13
##     [0.7,1]         0         1       3              25
##
##  
) w, \8 x1 c2 _6 ^$ O+ J##  Outcome: present
##   
##              Updated Model
9 o# U4 o/ h, T9 e4 _## Initial Model [0,0.3) [0.3,0.7) [0.7,1]  % reclassified
##     [0,0.3)        14         0       0               0
##     [0.3,0.7)       0        18       3              14
##     [0.7,1]         0         1      52               2
##
##  
# }- b2 L) F. Z5 k##  Combined Data
##   
# r' F( J& f- J6 `##              Updated Model
& X6 U( l1 U( i## Initial Model [0,0.3) [0.3,0.7) [0.7,1]  % reclassified
6 @' U7 S" d! L##     [0,0.3)       135         4       0               3
##     [0.3,0.7)       1        31       4              14
6 h& J3 V2 h# X( [##     [0.7,1]         0         2      55               4
; d0 M6 r) U6 _% j/ H: w* I  q##  _________________________________________
/ L) s' y' g; g: \8 F+ c7 B##
8 W0 w) F* r4 O# V" |##  NRI(Categorical) [95% CI]: 0.0019 [ -0.0551 - 0.0589 ] ; p-value: 0.94806
##  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

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。

生存分析的NRI
* I, k8 B3 t, Q+ v( u$ f4 j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。
1 k$ y# t0 e1 Y6 f5 i5 `$ `, l
+ b* c+ c' ]) d% M$ ]nricens包
- ]$ @- P0 m! S) B+ R; \library(nricens)
library(survival)
9 g. C& E( D: x& i; |; d
dat <- pbc[1:312,]
7 s+ E& x( Y, V$ M% X2 _4 adat$status <- ifelse(dat$status==2, 1, 0) # 0表示活着，1表示死亡
& \! J$ }  m" R- d3 S; U5 ~1
然后准备所需参数：
# B( S, P9 I+ i4 y5 N
3 g, x( a, `/ |) y  y# 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)))
8 w9 x  x+ ^2 b& \  ]
# 建立2个cox模型
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)
0 W. {  X% L. m0 R
; c9 a$ m, S4 v! U' ~4 S: A# 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
2 g, U$ }" S. g# Vp.std <- get.risk.coxph(mstd, t0=2000)
8 C6 k# o0 `& \7 y: e) t. Gp.new <- get.risk.coxph(mnew, t0=2000)
1
& g- r8 z7 \% @$ ?计算NRI：
% u7 I4 g* G; K' A
nricens(mdl.std= mstd, mdl.new = mnew,
        t0 = 2000,
2 `- h6 V* H' s* H# F        cut = c(0.3, 0.7),
        niter = 1000,
) {. v+ m5 ?- X6 T$ I- k/ l$ p6 ~$ z. m        updown = 'category')
8 i( a9 Y; s) q" M+ }+ b( f& b
UP and DOWN calculation:
  #of total, case, and control subjects at t0:  312 88 144

  Reclassification Table for all subjects:
1 v) V( U* P0 a2 Z+ }2 C) B        New
Standard < 0.3 < 0.7 >= 0.7
. d' G$ G! ?5 c9 m5 c; P. N: n2 y  < 0.3    202     7      0
& c5 T3 P9 `# @' \0 D" u3 B9 A, G  < 0.7     13    53      6
6 k& k8 f/ B8 G6 x, P) H  >= 0.7     0     0     31

9 _$ M2 }. H% L' g+ F; [* S. {  Reclassification Table for case:
4 w, g# G. `& g( q- k0 Y7 t        New
Standard < 0.3 < 0.7 >= 0.7
8 O7 f( ^/ C0 F2 W  < 0.3     19     3      0
1 c0 v/ U& {3 D0 v3 n, _2 y  < 0.7      3    32      4
  >= 0.7     0     0     27
# o2 Z4 u/ e) |5 X3 K
  Reclassification Table for control:
9 F8 p( q3 x' e9 X* o' E# K' {1 }        New
Standard < 0.3 < 0.7 >= 0.7
  < 0.3    126     3      0
  < 0.7      5     7      2
  >= 0.7     0     0      1

) ]1 s' \  \( I" GNRI estimation by KM estimator:

. B: i) L% \  r0 D7 mPoint estimates:
6 z; Y2 c3 I4 W& C0 _                Estimate
NRI           0.05377635
9 U/ U  ?; ]/ O) @+ t. m! @+ SNRI+          0.03748660
. \( }5 R  x1 VNRI-          0.01628974
Pr(Up|Case)   0.07708938
: E$ v' P# n* oPr(Down|Case) 0.03960278
Pr(Down|Ctrl) 0.04256352
- \! q, ^' f  B$ f  q! xPr(Up|Ctrl)   0.02627378
4 l. n# y/ y& W  }4 [8 P4 B& S
% f$ E8 J" ~- v7 K" U9 ZNow in bootstrap..
2 X- q, ^: \9 S  [1 C
8 h" s& V7 d7 a% N) NPoint & Interval estimates:
% r" ^3 S0 O! S' n3 E; m: N/ k                Estimate        Lower      Upper
- _- D1 }7 l3 l6 u' ONRI           0.05377635 -0.082230381 0.16058172
NRI+          0.03748660 -0.084245197 0.13231776
( o2 i' {) h! n+ PNRI-          0.01628974 -0.030861213 0.06753616
! }& O( ~1 A0 \Pr(Up|Case)   0.07708938  0.000000000 0.19102291
Pr(Down|Case) 0.03960278  0.000000000 0.15236016
) G- k- `2 d, IPr(Down|Ctrl) 0.04256352  0.004671535 0.09863170
Pr(Up|Ctrl)   0.02627378  0.006400463 0.05998424
& o. r" L: u3 E, t2 h6 m* E
1

Snipaste_2022-05-20_21-49-38
# @5 c9 s* c: M0 v6 `结果的解读和logistic的一模一样。
: ~! M& g9 N- J2 Y
survNRI包
2 |9 e# M' J% U1 }: G7 U# 安装R包
devtools::install_github("mdbrown/survNRI")
1
- B# b( K: d! D, ]- a$ K0 q加载R包并使用，还是用上面的pbc数据集。

, B/ T1 H& n* u+ x. v* `library(survNRI)
: O( c  U. N4 }6 ?4 l1
- B/ K9 `5 ], I7 {! E* d& @## Loading required package: MASS
1
: R0 [* S$ @7 p. Q9 _library(survival)
6 J2 W; M0 B6 n' j
# 使用部分数据
- N& b6 s7 d+ a1 P) r( Rdat <- pbc[1:312,]
, f$ q" l- o# A( d7 S8 Wdat$status <- ifelse(dat$status==2, 1, 0) # 0表示活着，1表示死亡
) |2 v8 q% r- B6 p# m* ?* g% c
) v2 B! c4 }+ V# T0 ures <- survNRI(time  = "time", event = "status",
3 N8 P( {3 z* H1 O& e$ I  Z        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
% a1 {: |3 n, Z- o% v        data = dat,
; A% z) n0 [* @: b3 K        predict.time = 2000, # 预测的时间点
        method = "all",
        bootMethod = "normal",  
        bootstraps = 500,
        alpha = .05)

) i$ N0 `8 g3 Q8 m1
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。

' g/ b5 {3 y# t1 xres
- F% x/ S( c  B( e5 P1
## $estimates
##            NRI.event NRI.nonevent       NRI
9 F, [- m: e( m7 `0 d; Y0 t## KM        0.20445422    0.3187408 0.5231951
## IPW       0.22424434    0.3273544 0.5515987
6 @' C$ E; e' B, T6 c  C5 b## SmoothIPW 0.19645006    0.3144263 0.5108763
# L1 S& Y& {: C0 [## SEM       0.07478611    0.2632127 0.3379988
2 }" ?) e+ K' p! J## Combined  0.19633867    0.3143794 0.5107181
, _. v9 F5 X0 @! L  Z: m##
8 t( G1 ^9 L$ Z9 B## $CI
. w/ n) `9 F, @( _& O## $CI$NRI.event
##                     KM         IPW   SmoothIPW        SEM   Combined
0 [8 S6 I8 Y( ~3 o- L# }: v## lowerbound -0.03915924 -0.02185068 -0.04724202 -0.1162587 -0.0473723
## upperbound  0.44806768  0.47033936  0.44014214  0.2658309  0.4400496
##
8 p- X& H! _0 G5 h8 Z## $CI$NRI.nonevent
: `3 \% N9 h- I% e$ v##                   KM       IPW SmoothIPW        SEM  Combined
## lowerbound 0.1317108 0.1396315 0.1286685 0.08638933 0.1286426
## upperbound 0.7102251 0.7393216 0.6966341 0.51482212 0.6964549
5 M) q9 j6 d: d##
## $CI$NRI
9 f9 l: e5 W# B6 x& y##                     KM         IPW   SmoothIPW         SEM    Combined
## lowerbound -0.05112533 -0.04569046 -0.05439863 -0.04132364 -0.05443409
## upperbound  0.89306122  0.92464359  0.87970125  0.64253510  0.87953153
5 h' [% x: L' n, A##
* J: Q; {0 S9 I##
3 o, X( J8 }4 T5 _. \6 c+ ^## $bootMethod
## [1] "normal"
6 S# B2 n6 r6 ]; W: n* k, Z##
## $predict.time
& ~$ W& Q2 U0 o0 F% S* I7 B0 M## [1] 2000
##
## $alpha
## [1] 0.05
##
" V* g% r) Q" e9 h3 L## attr(,"class")
## [1] "survNRI"
  m! M7 C9 S- n
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。
+ j. _. o! t5 ^! G6 _+ K
本文首发于公众号：医学和生信笔记
5 G5 I! B: \% H, J2 Z
; w, q5 V* `6 K: X“ 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。
本文由 mdnice 多平台发布
————————————————
) C/ _8 e+ Y% W1 C6 N' F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
) w' b- X. L, l! ^2 p/ ~