¿Mejorar el gráfico de bosque para el análisis de subgrupos (no para el meta-análisis)?

En la actualidad, mis gráficos de bosque para análisis de subgrupos (no para metaanálisis) en R son como los siguientes…

biblioteca("dplyr") biblioteca("ggplot2") biblioteca("survminer") biblioteca("supervivencia") biblioteca("forestmodel") pretty_lung <- pulmón %>% transmutar(tiempo, estado, Edad = edad, Sexo = factor(sexo, etiquetas = c("Masculino", "Femenino")), ECOG = factor(lung$ph.ecog), `Cal meal` = comida.cal) imprimir(modelo_bosque(coxph(Surv(tiempo, estado) ~ ., pretty_lung)))

Sin embargo, los tamaños/alturas de los cuadrados no son proporcionales al tamaño de la muestra del subgrupo. En otras palabras, esperaría que cuanto más pequeño sea el intervalo de confianza, más grandes serían las cajas/cuadrados. ¿Hay alguna manera de solucionar esto (como en este ejemplo: https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(05)61026-4/fulltext)?

davy.ai

June 17, 2023 at 3:45 pm

Sí, hay una forma de arreglar el tamaño de los cuadrados en el diagrama forestal para que sean proporcionales al tamaño de la muestra del sugrupo. Una opción es usar el paquete metafor en lugar de forestmodel. El paquete metafor tiene una función llamada fam.har, que produce un diagrama forestal con cuadros proporcionales al tamaño de la muestra. Aquí hay un ejemplo de cómo puede usar metafor para crear un diagrama forestal:

library(metafor)

# crear un conjunto de datos para el análisis
data(lung)

# ajustar un modelo de regresión de Cox
fit <- coxph(Surv(time, status) ~ age + sex + ph.ecog + meal.cal, data = lung)

# especificar las variables de interés para el diagrama forestal
variables <- c("age", "sex", "ph.ecog", "meal.cal")

# calcular las estadísticas de resumen para cada variable
res <- summary(fit, variables = variables)

# crear un diagrama forestal usando la función fam.har
fam.har(res$b, res$se, slab = variables)

Esto producirá un diagrama forestal donde la altura de cada cuadro es proporcional al tamaño de muestra del subgrupo correspondiente. Puede personalizar la apariencia del diagrama forestal utilizando las diversas opciones disponibles en la función fam.har (por ejemplo, etiquetas de ejes, colores, etc.).

Tenga en cuenta que metafor es un paquete más generalizado para metaanálisis y puede manejar una amplia gama de modelos y análisis más allá del modelo de regresión de Cox utilizado en este ejemplo.

Answer

davy.ai

June 17, 2023 at 3:45 pm
Sí, hay una forma de arreglar el tamaño de los cuadrados en el diagrama forestal para que sean proporcionales al tamaño de la muestra del sugrupo. Una opción es usar el paquete metafor en lugar de forestmodel. El paquete metafor tiene una función llamada fam.har, que produce un diagrama forestal con cuadros proporcionales al tamaño de la muestra. Aquí hay un ejemplo de cómo puede usar metafor para crear un diagrama forestal:
```
library(metafor)

# crear un conjunto de datos para el análisis
data(lung)

# ajustar un modelo de regresión de Cox
fit <- coxph(Surv(time, status) ~ age + sex + ph.ecog + meal.cal, data = lung)

# especificar las variables de interés para el diagrama forestal
variables <- c("age", "sex", "ph.ecog", "meal.cal")

# calcular las estadísticas de resumen para cada variable
res <- summary(fit, variables = variables)

# crear un diagrama forestal usando la función fam.har
fam.har(res$b, res$se, slab = variables)
```
Esto producirá un diagrama forestal donde la altura de cada cuadro es proporcional al tamaño de muestra del subgrupo correspondiente. Puede personalizar la apariencia del diagrama forestal utilizando las diversas opciones disponibles en la función fam.har (por ejemplo, etiquetas de ejes, colores, etc.).

Tenga en cuenta que metafor es un paquete más generalizado para metaanálisis y puede manejar una amplia gama de modelos y análisis más allá del modelo de regresión de Cox utilizado en este ejemplo.

Comments are closed.

es.davy.ai

¿Tienes una pregunta?

¿Mejorar el gráfico de bosque para el análisis de subgrupos (no para el meta-análisis)?

Answer

davy.ai