手动计算校正年龄、性别后的标准化死亡率 (SMR)
分析队列人群有无死亡人数超额，通常应用标准人群死亡率来校正，即刻观察到中的实际死亡数（D）与定一个标准的死亡人数（E），D与E之比称为死亡比（standarized Mortality ratio，SMR）. 标准化死亡率 (SMR) 是观察到的病例与预期病例的比率。
今天我们介绍一下怎么通过手动计算校正年龄、性别后的标准化死亡率 (SMR)。 我们先导入R包和数据，也不能算完全手动，还是需要用到survival包。
library(survival)
bc<-read.csv("E:/r/test/smr1.csv",sep=',',header=TRUE)
head(bc,6)
## sex age entry_date status futime
## 1 male 11213.45 1985/2/26 1 2750.988
## 2 female 6681.62 1994/3/1 0 1981.679
## 3 male 10411.76 1992/6/6 0 2979.385
## 4 female 10665.13 1985/9/22 0 2576.967
## 5 male 19065.91 1986/11/2 0 4993.524
## 6 male 10154.70 1993/4/23 0 1821.558
这是一个很简单的数据，sex为性别，age是年龄，entry_date为诊断也就是进入这个队列的时间，status为结局变量，futime为生存时间。（公众号回复：SMR1可以获得该数据） 先处理一下生存时间
bc$entry_date<-as.Date(bc$entry_date)
我们首先要算出它的haz， 每人年的平均人口死亡率（d/(pyrs)，其中d是死亡人数，pyrs是人年），可以通过survival包的survexp函数计算。sex这个指标不能少，如果全是女的也要设置.
bc$risk1 <- -log(survexp(futime ~ 1, data = bc, rmap = list(year = entry_date, age = age, sex = sex), cohort = FALSE, conditional = TRUE))
survexp函数中选项还有一个费率表，就是用来调整生成的预测概率的，可以理解为校正功能。 survival函数自带了3个survexp.us, survexp.usr和survexp.mn. survexp.usr就是1940年至2014年按年龄、性别和种族划分的美国人口。这里有黑人和白人的数据集，我这里只取白人的
survexp.uswhite <- survexp.usr[,,"white",]
head(survexp.uswhite ,6)
## Rate table with dimension(s): age sex year
## , , year = 1940
##
## sex
## age male female
## 0 1.350207e-04 1.057536e-04
## 1 1.336591e-05 1.185314e-05
## 2 7.264935e-06 6.029907e-06
## 3 5.206865e-06 4.411492e-06
## 4 4.192119e-06 3.506694e-06
## 5 3.780843e-06 3.013293e-06
##
## , , year = 1941
##
## sex
## age male female
## 0 1.300527e-04 1.017030e-04
## 1 1.260761e-05 1.118577e-05
## 2 6.919267e-06 5.733727e-06
## 3 4.976544e-06 4.208639e-06
## 4 4.019425e-06 3.345001e-06
## 5 3.624615e-06 2.879024e-06
##
## , , year = 1942
##
如果你想算某个地方的生存率，可以使用当地人口普查数据，这里我们把费率表加进去。
bc$risk2 <- -log(survexp(futime ~ 1, data = bc, rmap = list(year = entry_date, age = age, sex = sex), cohort = FALSE, ratetable = survexp.uswhite , conditional = TRUE))
head(bc,6)
## sex age entry_date status futime risk1 risk2
## 1 male 11213.45 1985-02-26 1 2750.988 0.017979337 0.015404330
## 2 female 6681.62 1994-03-01 0 1981.679 0.002648331 0.002482978
## 3 male 10411.76 1992-06-06 0 2979.385 0.015381638 0.013551117
## 4 female 10665.13 1985-09-22 0 2576.967 0.006089193 0.005058961
## 5 male 19065.91 1986-11-02 0 4993.524 0.186826509 0.175753223
## 6 male 10154.70 1993-04-23 0 1821.558 0.008510061 0.007464535
可以看到，加入费率表的概率和不加的是不一样的。算出了预测概率后我们就可以进一步计算了。
O <- sum(bc$status)
E <- sum(bc$risk2)
O;
## [1] 46
E
## [1] 6.74174
可以得到O为46，E为6.74.SMR等于O/E
SMR <- O/E
SMR
## [1] 6.823164
接下来计算可信区间，先设置一下alpha
alpha = 0.05
接下来计算可信区间，公式是固定的，直接放进去就可以了
SMR.lo <- O/E * (1 - 1/9/O - qnorm(1 - alpha/2)/3/sqrt(O))^3
SMR.up <- (O + 1)/E * (1 - 1/9/(O + 1) + qnorm(1 - alpha/2)/3/sqrt(O + 1))^3
SMR.lo
## [1] 4.994967
SMR.up
## [1] 9.101355
这样全部结果就计算出来啦，计算结果我们使用survexp.fr包来验证一下
library(survexp.fr)
attach(bc)
bc$entry_date<-as.Date(bc$entry_date)
SMR(futime, status, age, sex, entry_date,ratetable =survexp.uswhite)
## $O
## [1] 46
##
## $E
## [1] 6.74174
##
## $SMR.classic
## $SMR.classic$SMR
## [1] 6.823164
##
## $SMR.classic$SMR.lo
## [1] 4.994967
##
## $SMR.classic$SMR.up
## [1] 9.101355
##
## $SMR.classic$p.value
## [1] 0
##
##
## $SMR.poisson
## $SMR.poisson$SMR
## [1] 6.823164
##
## $SMR.poisson$SMR.lo
## [1] 5.110733
##
## $SMR.poisson$SMR.up
## [1] 9.109373
##
## $SMR.poisson$p.value
## [1] 8.903473e-39
两者算得一模一样。
手动计算校正年龄、性别后的标准化死亡率 (SMR)相关推荐
- R语言标准化死亡率 (SMR)分析（3）
既往我们已经使用泊松回归对数据进行标准化死亡率 (SMR)分析,但是分析的时候没有考虑混杂因素如性别.年龄,在一些数据分析的时候需要将这些混杂因素考虑在里面,计算有修正的标准化死亡率 (SMR).今天 ...
- pandas使用cut函数基于分位数进行连续值分箱（手动计算分位数）处理后出现NaN值原因及解决
pandas使用cut函数基于分位数进行连续值分箱(手动计算分位数)处理后出现NaN值原因及解决 目录 pandas使用cut函数基于分位数进行连续值分箱(手动计算分位数)处理后出现NaN值原因及解决 ...
- R语言标准化死亡率 (SMR)计算（2）
上一篇文章中我们已经介绍了使用ems计算标准化死亡率 (SMR),但是它需要两个率,一个实际死亡率,一个估计死亡率,我们平时使用生存数据数据中没有估计死亡率,估计死亡率需要自己计算. 本章我们来介绍使 ...
- R语言基于ems包标准化死亡率 (SMR)计算(1)
分析队列人群有无死亡人数超额,通常应用标准人群死亡率来校正,即刻观察到中的实际死亡数(D)与定一个标准的死亡人数(E),D与E之比称为死亡比(standarized Mortality ratio,S ...
- 根据身份证号码计算生日/年龄/性别
话不多说直接上代码: /*** 通过身份证号码获取出生日期(birthday).年龄(age).性别(sex)* @param idCardNo 身份证号码* @return 返回的出生日期格式:19 ...
- OSG笔记：设置DO_NOT_COMPUTE_NEAR_FAR，手动计算远近平面
问题 实现正交投影的操作杆时,缩放平移后,会产生图形部分消息的情况.没研究透osg自动计算算法,暂时认为自动计算远近平面对透视投影可能没啥问题,但正交投影则有. 思路(记录下,没有严格推敲,不保证正确 ...
- R语言手动计算主成分分析（PCA)及其在R函数的实现
R语言手动计算主成分分析(PCA)及其在R函数的实现 了解PCA的原理,但总是无法用R语言实现,这次算是有个教程. 转自:http://blog.163.com/xiaoji0106@126/blog ...
- 获取pheatmap聚类后和标准化后的结果
pheatmap是简单常用的热图绘制包,可以快速.简单.可定制的绘制漂亮热图.具体见R语言学习-热图简化和免费高颜值可定制在线绘图工具 ImageGP. 现在要解决的一个问题是图出来了,想看下转换后用 ...
- 获取pheatmap热图聚类后和标准化后的结果
pheatmap是简单常用的热图绘制包,可以快速.简单.可定制的绘制漂亮热图.具体见R语言学习-热图简化和免费高颜值可定制在线绘图工具 ImageGP. 现在要解决的一个问题是图出来了,想看下转换后用 ...
最新文章
- 华为云大数据存储的冗余方式是三副本_大数据入门：HDFS数据副本存放策略
- linux中sed命令用例,Linux中使用sed命令或awk命令修改常规配置文件
- 用Java写有关早上的语录,实用的适合早上发的早安问候语语录汇编39句
- [Effective C++ --032]确定你的public继承塑模出is-a
- 小程序php生成海报,小程序用canvas绘制海报的做法
- 【elasticsearch】 Regexes are disabled. Set [script.painless.regex.enabled] to [true]
- 解封装(五):AVStream和AVCodecParameters分析
- 公平的反义词是什么?
- 详解：hive启动hiveserver2连JDBC报错：Could not open client transport with JDBC Uri 解决方案
- python全栈测试题（一）
- 学术论文-结果描述常用表达
- web开发实战--弹出式富文本编辑器的实现思路和踩过的坑
- LQR控制基本原理（包括Riccati方程具体推导过程）
- Java实现日历小程序【代码】
- OBJ(3D模型)文件格式
- php nofollow,php如何实现统一给外部链接添加nofollow值？
- 解除控制伽卡他卡控制
- Linux文件目录sha256,在Linux系统中使用SHA256来校验下载的文件的方法
- 炫云全新支持优化渲染质量了
- 程序员非常好用的app