cox比例風險回歸模型臨床應用非常廣泛，cox分析得到的結果是可以直接運用到臨床應用的，所以這個分析對癌症臨床診斷有非常關鍵的作用，檢測高低風險的關鍵基因，就可以**病人5年生存率。
cox比例風險回歸模型，簡稱cox回歸模型。該模型又英國統計學家d.r.cox於2023年提出，主要用於腫瘤和其他慢性病的預後分析，也可用於佇列研究的**探索。cox回歸模型能處理多個因素對生存時間影響的問題。
這裡用到的癌症是：宮頸鱗狀細胞癌cesc（臨床307個樣本，基因表達有304個樣本）
首先需要合併差異基因得到的表達量和臨床資訊
有了生存時間和表達量合併的檔案，就可以做單因素cox分析，直接用我們的r做分析，得到這樣乙個**檔案。
cox單因素分析得到了單個基因的風險比和p值，可以篩選p值乙個標準的基因，拿到這些基因，然後把這些基因的表達量篩選出來，還有樣本的生存時間和生存狀態，放在乙個檔案裡面，用來做這些基因的多因素分析，當然了，篩選的基因不要多，控制在20個左右。簡單點說，就是篩選這20個左右基因如同步驟一的檔案。
利用上面得到的關鍵基因的表達量做多因素分析，方法和單因素的差不多，只是這時用到了所有基因，而單因素是對每個基因做分析，多因素是用這些關鍵基因一起分析。可以得到風險值和高低風險分類。
用到的都是上面多因素分析得到的資料，用所有樣本的風險比例，生存時間，就可以做生存曲線，roc曲線。
這裡需要用到兩個資料，乙個是cox多因素分析得到的基因，這個是根據cox公式計算得到的，這裡我們得到了7個，提取這7個基因的表達量，還有這7個基因在高低風險的分類，就可以繪製一張熱圖，熱圖從左到右的樣本是風險分值以此從低到高的。
r語言例項練習：
單因素回歸分析：
library("survival")
#install.packages('survminer')
library("survminer")
data("lung")
#surv()函式建立生存資料物件（主要輸入生存時間和狀態邏輯值），再用survfit()函式對生存資料物件擬合生存函式
#surv：用於建立生存資料物件
#survfit：建立km生存曲線或是cox調整生存曲線
fit
#survdiff：用於不同組的統計檢驗
survdiff(surv(time, status) ~ ***, data = lung)
#三種作圖方法：
plot(fit)
ggsurvplot(fit,
pval = true, conf.int = true,
risk.table = true, # add risk table
risk.table.col = "strata", # change risk table color by groups
linetype = "strata", # change line type by groups
surv.median.line = "hv", # specify median survival
ggtheme = theme_bw(), # change ggplot2 theme
palette = c("#e7b800", "#2e9fdf")
)plot(fit,xlab="time(days)",ylab="survival",main="title",col=c("blue","red"),lty=2,lwd=2)
legend("topright",c("a","b"),col=c("blue","red"),lty=2,lwd=2,cex=0.7)
cox回歸分析：
library("survival")
library("survminer")
#cox模型主要用到的是coxph()函式，但需要先用surv()函式產生乙個生存物件；
#另外coxph()函式支援的方法有：exact，breslow以及exact，預設是exact
data("lung")
# res.cox
# summary(res.cox)
#coef就是公式中的回歸係數b（有時也叫做beta值）
#因此exp(coef)則是cox模型中最主要的概念風險比（hr-hazard ratio）
# hr = 1: no effect
# hr < 1: reduction in the hazard
# hr > 1: increase in hazard
# 在癌症研究中：
# hazard ratio > 1 is called bad prognostic factor
# hazard ratio < 1 is called good prognostic factor
res.cox
summary(res.cox)
# create the new data
***_df
data.frame(*** = c(1, 2),
age = rep(mean(age, na.rm = true), 2),
ph.ecog = c(1, 1)
))fit
ggsurvplot(fit, data = ***_df, conf.int = true,
legend.labs=c("***=1", "***=2"),
ggtheme = theme_minimal())
r語言 svycoxph R語言之cox回歸分析
cox比例風險模型 cox proportional hazards model，也稱為cox回歸 主要用於帶有時間的生存結局的影響因素研究，或評價某個臨床 措施對患者生存的影響。cox模型可以由hazard function表示，h t 簡單的說就是t時刻死亡的風險，公式如下 h t h0 t e...
r語言 svycoxph R語言之cox回歸分析
cox比例風險模型 cox proportional hazards model，也稱為cox回歸 主要用於帶有時間的生存結局的影響因素研究，或評價某個臨床 措施對患者生存的影響。cox模型可以由hazard function表示，h t 簡單的說就是t時刻死亡的風險，公式如下 h t h0 t e...
回歸的風險
回歸的風險 陳能技2007 10 11 原文 the risk of regression alan s.koch 但是，它僅僅是乙個很小很小的改動！我們怎麼會預先想到它會造成這麼大的問題？怎麼會，確實！回歸 向後追溯 是軟體系統的現實生活。即使之前是很好地工作的，但是不能確保它會在最近的 很小 的...