净重新分类指数NRI的计算

杨利霞

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。
3 M+ ~, L$ ^* ?# |* o8 qNRI，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！

% B  F" D4 X+ _$ D# C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。
& K+ e9 w6 i5 v1 Q  b
& B0 s3 B& k0 H( w" f) _; C$ L0 w% ologistic的NRI
nricens包
PredictABEL包
! q- j9 c# w( W4 @; I生存分析的NRI
nricens包
survNRI包
' Y4 }' X# q* ?+ w% ^% `logistic的NRI
nricens包
' }$ Z& j+ j! P7 Y#install.packages("nricens") # 安装R包
, f5 G) k, i2 `3 o) jlibrary(nricens)
: \, x- n+ X5 r) s, H- R1
## Loading required package: survival
1
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。
& g: y9 O& s6 A! H# Z9 ]
* Y) B- T3 G! t: ilibrary(survival)

# 只使用部分数据
dat = pbc[1:312,]
dat = dat[ dat$time > 2000 | (dat$time < 2000 & dat$status == 2), ]

% |& X5 B4 b5 Ystr(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 ...
; ^% E5 o! J8 L##  $ time    : int  400 4500 1012 1925 2503 2466 2400 51 3762 304 ...
* J+ i* N' g% m; L; f##  $ status  : int  2 0 2 2 2 2 2 2 2 2 ...
" V. q# t3 q5 l( p( z8 @1 {##  $ trt     : int  1 1 1 1 2 2 1 2 2 2 ...
##  $ age     : num  58.8 56.4 70.1 54.7 66.3 ...
##  $ sex     : Factor w/ 2 levels "m","f": 2 2 1 2 2 2 2 2 2 2 ...
##  $ 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 ...
* \  I5 L4 T" i) Q##  $ 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 ...
  ~- ?$ j# _3 }% o1 L##  $ albumin : num  2.6 4.14 3.48 2.54 3.98 4 3.08 2.74 4.16 3.52 ...
##  $ copper  : int  156 54 210 64 50 52 79 140 46 94 ...
6 q% h, Z0 p# N, l0 R0 x0 T##  $ alk.phos: num  1718 7395 516 6122 944 ...
##  $ ast     : num  137.9 113.5 96.1 60.6 93 ...
1 V& h4 i- |. m# n+ f! Y% w##  $ trig    : int  172 88 55 92 63 189 88 143 79 95 ...
##  $ platelet: int  190 221 151 183 NA 373 251 302 258 71 ...
##  $ 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 ...

1
dim(dat) # 232 20
1
## [1] 232  20
1
0 ?0 _) [& g8 i9 _  g然后就是准备计算NRI所需要的各个参数。

4 t9 L$ z% |" q  |3 z# 定义结局事件，0是存活，1是死亡
event = ifelse(dat$time < 2000 & dat$status == 2, 1, 0)
! {0 }+ B$ R) i9 U* P3 l# ?
* W$ b, I/ b4 b1 ]! r. f# 两个只由预测变量组成的矩阵
z.std = as.matrix(subset(dat, select = c(age, bili, albumin)))
; h  w: k9 ~4 q5 Q5 N. t+ Uz.new = as.matrix(subset(dat, select = c(age, bili, albumin, protime)))
$ K$ V+ z6 M% r. b: n
# 建立2个模型
' c$ u( C) q6 |" c0 P/ pmstd = glm(event ~ age + bili + albumin, family = binomial(), data = dat, x=TRUE)
6 w% n) X) V4 h" M- l% Gmnew = glm(event ~ age + bili + albumin + protime, family = binomial(), data = dat, x=TRUE)
7 S& I9 X& h6 Y( ^
" n* r2 R: C4 |9 x! `% v# 取出模型预测概率
p.std = mstd$fitted.values
; \: u& @0 B6 ~; op.new = mnew$fitted.values

1
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。

# 这3种方法算出来都是一样的结果
5 q: e+ Z! x+ d1 A3 l
# 两个模型
2 @" a. A) L9 ]nribin(mdl.std = mstd, mdl.new = mnew,
" R  C8 L2 ?6 Q9 E8 u       cut = c(0.3,0.7),
7 Y% d& |$ u; t' Y6 _$ \0 ~       niter = 500,
       updown = 'category')

' n: J" u6 k0 ?$ n: U# 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,
: H& K1 U& ?- u& g% ]       cut = c(0.3,0.7),
! q/ j( [7 j2 ]! ?( H) g- C       niter = 500,
       updown = 'category')
# a  P$ n2 d. U" s/ m9 C
## 结果变量 + 两个模型得到的预测概率
# [  |$ u0 B! ~5 D4 t* P" Vnribin(event = event, p.std = p.std, p.new = p.new,
       cut = c(0.3,0.7),
$ n4 `5 e0 b, K* \0 \       niter = 500,
. _5 [( t" U2 a       updown = 'category')
# O% a: c' i. b  k4 z, D
7 T; x' c# S  ~8 b- I2 a1
+ u+ x- i) _( u9 d# ?+ C* N" @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。
' U' f  C! P$ Y: _7 n/ \* ~
. n, S8 R( y0 }- initer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。
1 g. H  U/ m0 k* |
9 t2 {% I) m# O) A' 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。

8 c7 @1 b; h1 ?2 Y上面的代码运行后结果是这样的：
( l7 ^. f& r  s1 c
5 i$ r. X. H( v7 YUP and DOWN calculation:
  #of total, case, and control subjects at t0:  232 88 144

  Reclassification Table for all subjects:
; ~) e- ^1 E! g7 C( z        New
2 h* O; b( l# |& Z0 H- l) vStandard < 0.3 < 0.7 >= 0.7
" b* o3 A8 d' ^# K: [  < 0.3    135     4      0
4 U0 R& M$ C! n$ t0 A" k  < 0.7      1    31      4
  >= 0.7     0     2     55
4 J; I& b- B" u3 ?4 ^! y$ e
0 Q4 N6 ~+ {6 ?& ~, S* L  Reclassification Table for case:
4 N6 b" N5 ~  F9 R0 ^  I$ `8 `        New
  B: g' C; ?: j6 A7 EStandard < 0.3 < 0.7 >= 0.7
  < 0.3     14     0      0
  < 0.7      0    18      3
; _; G6 C1 s' W/ G' J* _  >= 0.7     0     1     52

  Reclassification Table for control:
        New
' p- q, c( X# X( n# }9 P6 {* cStandard < 0.3 < 0.7 >= 0.7
  < 0.3    121     4      0
" {- E+ U) t- Z& z" \  < 0.7      1    13      1
  >= 0.7     0     1      3
9 @; Z: Z( c6 |1 L, u
NRI estimation:
5 [4 Y; a( \- i$ b- p- d4 r5 jPoint estimates:
0 G: Z& `# M; V2 d                  Estimate
5 i) I( g9 K& b( O# oNRI            0.001893939
  ?1 n5 K0 |+ s- q. d/ INRI+           0.022727273
NRI-          -0.020833333
2 K* u- p% `7 p# [: APr(Up|Case)    0.034090909
Pr(Down|Case)  0.011363636
Pr(Down|Ctrl)  0.013888889
4 h8 B: Q% R, v3 h3 XPr(Up|Ctrl)    0.034722222

Now in bootstrap..

Point & Interval estimates:
" u7 d" W% I5 u# o7 B                  Estimate   Std.Error        Lower       Upper
. X1 e8 j- u' h+ I( f  h' SNRI            0.001893939 0.027816095 -0.053995513 0.055354449
/ H3 U0 j) P: h: l3 @3 s  W/ ]" `NRI+           0.022727273 0.021564394 -0.019801980 0.065789474
# j/ u$ B  f4 \0 S" P( @0 PNRI-          -0.020833333 0.017312438 -0.058823529 0.007518797
7 x: |- x: V" j: |Pr(Up|Case)    0.034090909 0.019007629  0.000000000 0.072164948
Pr(Down|Case)  0.011363636 0.010924271  0.000000000 0.039603960
' R6 B" {5 }& R% B5 O9 ~Pr(Down|Ctrl)  0.013888889 0.009334685  0.000000000 0.035211268
Pr(Up|Ctrl)    0.034722222 0.014716046  0.006993007 0.066176471
: o9 u: r3 g# i: a& |. Y
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。

看case组：

* ~9 ~& Y8 x2 O! o净重分类指数 = ((0+3)-(0+1)) / 88 ≈ 0.022727273

再看control组：
9 B( V, y- `8 g8 J
# y. d& C. O& t. V; y8 p9 `净重分类指数 = ((1+1)-(4+1)) / 144 ≈ -0.020833333
) ^3 Z) G' Y2 `  K$ I: @# [' b4 K
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

8 I, C; L7 \* n6 k( v, w; G, A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。

7 l' w- P6 E3 ~% @最后还会得到一张图：
2 L7 g* A  G5 f' K; }2 A/ ?
1 l* C  N6 [9 l, z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。
6 G7 d1 \* D/ w+ o( k* c
P值没有直接给出，但是可以自己计算。
9 F' \# l  E& y
! E. f. G- q, C( P- [3 Y# 计算P值
z <- abs(0.001893939/0.027816095)
) P2 c/ A/ }* i2 N1 p7 {. lp <- (1 - pnorm(z))*2
) f4 U2 I$ Q; @# T1 Vp
9 j+ X5 ], }7 K! A& U: v1
& l( l- ?9 T' S$ B' Y6 g, c. Q## [1] 0.9457157
1
PredictABEL包
/ F1 b$ Q) y) v& m#install.packages("PredictABEL") #安装R包
5 p/ N" @, S  J9 f# I/ l% _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$fitted.values
8 N6 \# T6 H0 tp.new = mnew$fitted.values
1
7 t/ }* e0 l2 b8 r; }2 d, x- L然后就是计算NRI：

dat$event <- event

reclassification(data = dat,
3 m' Q6 v3 b3 c  j$ A1 z, o                 cOutcome = 21, # 结果变量在哪一列
) U# o3 ~; V& N7 Q: f2 x& N4 w                 predrisk1 = p.std,
% N3 d; b. Z2 Y6 C- _8 ~                 predrisk2 = p.new,
4 O& N& d6 ~0 l6 G) p  E: G4 S                 cutoff = c(0,0.3,0.7,1)
* v& c2 `8 v% F" l  ~' z                 )
1
##  _________________________________________
2 A( Z& k+ n# v' `! T5 o. Q  [##  
) L; `# h2 x: n##      Reclassification table   
##  _________________________________________
##
$ x. Z) C$ e0 }##  Outcome: absent
5 c+ p( ]0 g. z% `# T##   
; l! p& A- X8 j( `) Y##              Updated Model
/ v/ _  s8 \4 s3 c+ J6 J; C; ~8 T2 M## Initial Model [0,0.3) [0.3,0.7) [0.7,1]  % reclassified
##     [0,0.3)       121         4       0               3
##     [0.3,0.7)       1        13       1              13
6 r( F& R/ A" d##     [0.7,1]         0         1       3              25
9 D' |2 ?; h9 [% ]: M, I- e##
" c$ j1 ?: N2 {! e0 L/ @##  
, M  O% I7 @4 ?' U3 O0 L##  Outcome: present
##   
8 v- Z$ X% n7 E' Z: ?4 x* r##              Updated Model
& k6 q3 c  y1 u+ m% v: U& p, f## Initial Model [0,0.3) [0.3,0.7) [0.7,1]  % reclassified
) t7 b' q  J( u- x; y##     [0,0.3)        14         0       0               0
$ |' g% i! ~) n5 L1 b( c- i1 a##     [0.3,0.7)       0        18       3              14
##     [0.7,1]         0         1      52               2
##
##  
##  Combined Data
##   
##              Updated Model
$ l0 T1 i) t$ F3 P: ~3 i) {## Initial Model [0,0.3) [0.3,0.7) [0.7,1]  % reclassified
##     [0,0.3)       135         4       0               3
##     [0.3,0.7)       1        31       4              14
' L) V+ ]% {( |) t##     [0.7,1]         0         2      55               4
##  _________________________________________
$ D0 I; d* C3 i& v  e$ }##
##  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
  ~" e* I4 [7 S" W/ S# i) Z##  IDI [95% CI]: 0.0044 [ -0.0037 - 0.0126 ] ; p-value: 0.28396

1
' D( U' Z. v0 B: C$ b* h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。
' M) B8 _* Q6 A
3 T/ y% X8 J& w; f% d' m生存分析的NRI
+ |- k; j9 a; V2 H8 i5 i- d" z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。
  R8 b' v% R7 h! d/ n0 I) v; m
; Z, ]; Z5 K  e; Y; ^nricens包
% l, L! N+ V* y6 U) Xlibrary(nricens)
8 G) [8 J/ L9 nlibrary(survival)
: p3 f2 C- Y9 ^5 J/ }: o
( _, B1 _2 W% d) H, t' zdat <- pbc[1:312,]
+ [# Y+ f  y# \- h( {) ?: Y" v8 odat$status <- ifelse(dat$status==2, 1, 0) # 0表示活着，1表示死亡
1
然后准备所需参数：

# 两个只由预测变量组成的矩阵
: J. V: T* N3 j+ p) ]z.std = as.matrix(subset(dat, select = c(age, bili, albumin)))
z.new = as.matrix(subset(dat, select = c(age, bili, albumin, protime)))

# g9 d. v/ @/ {9 d# 建立2个cox模型
9 g) m1 X2 F" i; t  v2 nmstd <- coxph(Surv(time,status) ~ age + bili + albumin, data = dat, x=TRUE)
3 k  V" V4 ?. v/ G7 X1 W0 cmnew <- coxph(Surv(time,status) ~ age + bili + albumin + protime, data = dat, x=TRUE)

# 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
p.std <- get.risk.coxph(mstd, t0=2000)
8 d% U! k% j# s* Q/ rp.new <- get.risk.coxph(mnew, t0=2000)
1
% X( x5 z: b% ^5 O: T6 U3 O计算NRI：

5 k% g1 s( K% e$ G# J& x; znricens(mdl.std= mstd, mdl.new = mnew,
        t0 = 2000,
" n  f5 P2 c% X        cut = c(0.3, 0.7),
" X0 g+ N1 I, _; c; [        niter = 1000,
        updown = 'category')
* }* P/ M! z) W  }4 {2 V! W
# w4 e0 h; L' u) u1 q% TUP and DOWN calculation:
+ R8 i+ x# r8 m. G" h  #of total, case, and control subjects at t0:  312 88 144
8 p* L! x, `9 {: g
  K" H+ F  V' i  t" ^  Reclassification Table for all subjects:
        New
Standard < 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:
* i  i3 I+ T  F+ h: x        New
Standard < 0.3 < 0.7 >= 0.7
  < 0.3     19     3      0
/ n, [: X  l* H6 H: b& Q: Q  < 0.7      3    32      4
# v& `: S$ P  p/ Z) p: v% O+ ]  >= 0.7     0     0     27

- N8 d4 L) t* t, ?  Reclassification Table for control:
        New
& n* Z4 \. t# X* [$ r( v- i# ?- YStandard < 0.3 < 0.7 >= 0.7
5 s6 }& j- l' S  < 0.3    126     3      0
  < 0.7      5     7      2
  >= 0.7     0     0      1
# W; q) H3 t/ i; _# f! L
* a, W) P( m5 `NRI estimation by KM estimator:

Point estimates:
                Estimate
7 L  _2 Q1 ]- ]. x5 x/ Q4 n# vNRI           0.05377635
NRI+          0.03748660
5 S% q- _" c2 J; }4 K, ]NRI-          0.01628974
Pr(Up|Case)   0.07708938
( S# |+ @# N  K" MPr(Down|Case) 0.03960278
Pr(Down|Ctrl) 0.04256352
Pr(Up|Ctrl)   0.02627378

Now in bootstrap..

Point & Interval estimates:
                Estimate        Lower      Upper
NRI           0.05377635 -0.082230381 0.16058172
NRI+          0.03748660 -0.084245197 0.13231776
* \0 z( j. T9 N! s+ y- b3 pNRI-          0.01628974 -0.030861213 0.06753616
Pr(Up|Case)   0.07708938  0.000000000 0.19102291
2 x2 a. S+ p1 o* m& Z6 b: RPr(Down|Case) 0.03960278  0.000000000 0.15236016
Pr(Down|Ctrl) 0.04256352  0.004671535 0.09863170
Pr(Up|Ctrl)   0.02627378  0.006400463 0.05998424
$ O' Y" Y4 w3 R9 U
1

Snipaste_2022-05-20_21-49-38
结果的解读和logistic的一模一样。
. V5 a) R+ X) U7 _
( q5 P  i$ {4 T6 Z9 |/ i3 gsurvNRI包
# 安装R包
) J8 k6 K# z: p: q4 ]0 u/ mdevtools::install_github("mdbrown/survNRI")
1
7 c: E- P5 M7 r. H) ~# m- [4 [$ h加载R包并使用，还是用上面的pbc数据集。
6 I5 h4 _6 N1 O6 Z" j/ D! h
library(survNRI)
1
9 h' o# S6 _3 Z4 z, d! k## Loading required package: MASS
  H( A: Q. L( w: ~1
library(survival)
2 m0 n" j8 b7 K# m
! F- s5 M9 {0 [# z# 使用部分数据
dat <- pbc[1:312,]
. x2 G0 }- N8 e" h0 a' f: Ydat$status <- ifelse(dat$status==2, 1, 0) # 0表示活着，1表示死亡
! \3 x! K7 H, ~+ d9 v
res <- survNRI(time  = "time", event = "status",
3 ]* h+ V+ E, F3 c' A& V: ^3 u+ f/ M2 J        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
. S  [- B4 p, L9 t- X        data = dat,
4 m' W. V) L8 [( d0 b" `# }        predict.time = 2000, # 预测的时间点
        method = "all",
; _3 |- T9 k7 Q% ^5 P) c        bootMethod = "normal",  
5 }  y0 g+ p5 u! @. r" ^/ J* u* P        bootstraps = 500,
, F. Y6 B) i$ Y: S: @/ t        alpha = .05)

0 z  y0 P9 W) O9 W! R& e: j1
' L5 N# C6 e+ d- ?6 x- x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。
5 w  I- q, k1 [! A+ n4 h! F" a
res
1
## $estimates
##            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
1 c2 e% `0 R. j## SEM       0.07478611    0.2632127 0.3379988
! e0 t" N1 s( t, Q( E## Combined  0.19633867    0.3143794 0.5107181
##
## $CI
/ W1 z+ _2 r" D, W$ d0 H## $CI$NRI.event
; _2 }. c9 }7 h( S##                     KM         IPW   SmoothIPW        SEM   Combined
0 P8 d8 Q1 a" i; ~. a1 ^. f## lowerbound -0.03915924 -0.02185068 -0.04724202 -0.1162587 -0.0473723
0 j) X' m* o: T  n/ t7 D## upperbound  0.44806768  0.47033936  0.44014214  0.2658309  0.4400496
/ n2 z3 q3 j2 k- ?+ B0 t+ W5 S$ a##
## $CI$NRI.nonevent
4 ~% E, U1 D+ ~* _( b4 ]##                   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
+ S5 O3 Y; l9 ^##
; T2 S/ y( h  r% b. G+ E1 u## $CI$NRI
" Q0 n2 y  S9 m  q' @/ \##                     KM         IPW   SmoothIPW         SEM    Combined
5 E7 n5 H1 N5 s% G- Y## lowerbound -0.05112533 -0.04569046 -0.05439863 -0.04132364 -0.05443409
## upperbound  0.89306122  0.92464359  0.87970125  0.64253510  0.87953153
##
; V: ?9 w8 J' b# K+ H# H0 p##
## $bootMethod
+ I' m# H: Q/ v; o" }## [1] "normal"
% [9 e- V4 \$ b3 T. A1 t: N- |##
## $predict.time
7 O) i! N1 m1 T6 z/ P, r  W## [1] 2000
, y2 [- ~4 ]: h  S/ y) a! y4 M##
) I) u5 c% P) c. m3 i## $alpha
/ d+ d$ L! R' \7 Q  U- H+ z, H## [1] 0.05
##
  k# h% u5 c2 Q& m  r* _- [* L## attr(,"class")
## [1] "survNRI"
6 z4 }" t. }  x( s
6 B4 H' i; {. U( z1
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。

本文首发于公众号：医学和生信笔记
% x0 o3 \  m2 u9 |2 L  k' J4 b/ e
“ 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。
& A% z# c& l1 L  E6 M6 ^本文由 mdnice 多平台发布
————————————————
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。
/ C5 A( j: Z& u7 Q原文链接：https://blog.csdn.net/Ayue0616/article/details/126768006