Lucas, Sugiro qu voce leia o livro “clinical prediction models“ do steyerberg.
Sugiro que junto com o mice voce utilize o pacote rms que contem a funçao fit.mult.imput. a partir dessa e possivel utilizar a val.surv que estima algumas medidas de calibraçao e validade com sobrevivencia. Eu fiz uma validaçao de modelos esse ano e acabei fazendo em diversos bancos simulados a partir de um objeto do mice, o que no final ficou parecido com o objeto do fit.mult.imput porque assim nao e possible cirrigir para otimismo por bootstrap com a funçao validate. Mas como voce somente esta interessado em validaçao externa, voce nao precisa estimar o otimismo e fazer as medidas direto dos objetos mice pode ser possivel. Mas para isso voce precisa retirar todas a variaveis que nao entrarao na imputaçao, as que nao sao as variaveis utilizadas na validaçao. Eu nao entendi muito bem se foi isso que vc fez. O mice roda um catatau de regressoes, se tiver pouco dado ou muita variavel ruim pode dar erro. Nao esquece de fazer uns graficos d diagnostico dos missings e das imputaçoes. Pedro Brasil via Android (:)= Em 30/11/2012 09:10, "Lucas Petri Damiani" <[email protected]> escreveu: > Boa noite, > > sou leitor assíduo da lista, embora nunca tenha participado das > discussões. Porém, hoje vou me arriscar e passar um problema pra vcs. > Espero que possam me ajudar. > > Estou realizando uma análise num banco de dados de cerca de 10 mil > pacientes de Trauma. O objetivo da pesquisadora é testar a validade de um > escore de gravidade (preditor de sobrevida) em pacientes que entram no > pronto socorro e eventualmente promover alterações nesse escore. Porém, > algumas medidas que ela deseja testar possuem cerca de 20% de missing. E a > exclusão desses pacientes faz com que o novo escore predito fique um bocado > diferente do original, o que me fez ir atrás de alternativas para tratar > esses dados faltantes e assim me arrisquei nesse pacote *mice. *Em testes > mais simples que fiz, fiquei bastante empolgado com o método. Enfim, tentei > reproduzir abaixo o problema que encontrei. > > ##### Banco de dados de exemplo: > dados <- matrix(c( > 4, 6, 5, 34, 120, 5, 1, 0, > NA, 1, 1, 3, 80, 6, 0, 1, > 2, 4, 2, 24, 90, 5, 1, 1, > 3, 5, 5, 5, 98, 5, 1, 1, > NA, 6, 5, 40, 94, 4, 0, 0 , > NA, 6, 5, 12, 87, 3, 0, 1, > 1, 5, NA, 32, 70, 2, 0, 1, > 1, 5, 1, 7, 60, 3, 1, 0, > 2, NA, 2, 25, 80, 5, 1, 0, > 4, 6, 5, 24, 101, 7, 1, 0, > 1, 5, 1, 1, 120, 8, 1, 0, > 3, 5, 3, 12, 200, 6, 0, 1, > 3, 3, 1, 3, 40, 5, 1, 0, > NA, 5, 1, 35, 60, 4, 0, 1, > 1, 4, 1, 32, 87, 3, 1, 0, > 4, 5, 1, 23, 30, 2, 1, 1, > 2, 1, 1, 5, 46, 1, 0,1), byrow=T, ncol=8) > dados <- as.data.frame(dados) > colnames(dados) <- c("ECGL_AO", "ECGL_MRM", "ECGL_MRV", "FR", "PAS", > "GRAU", "IOT", "SOBREVIDA") > dados$IOT <- as.factor(dados$IOT) > dados$ECGL <- apply(dados[, c("ECGL_AO", "ECGL_MRV", "ECGL_MRM")],1,sum) > dados$ECGL_cut <- cut(dados$ECGL, breaks=c(3,4,6,9,13,16), right=FALSE) > > # Notem que a medida RTS é um escore derivado de outras medidas, que > pretendo imputar. > dados$RTS <- (0.9368*(dados$ECGL_cut=="[4,6)") > + 2*0.9368*(dados$ECGL_cut=="[6,9)") > + 3*0.9368*(dados$ECGL_cut=="[9,13)") > + 4*0.9368*(dados$ECGL_cut=="[13,16)") > + 0.7326*(dados$PAS>=1 & dados$PAS<=49) > + 2*0.7326*(dados$PAS>=50 & dados$PAS<=75) > + 3*0.7326*(dados$PAS>=76 & dados$PAS<=89) > + 4*0.7326*(dados$PAS>=90) > + 0.2908*(dados$FR>=1 & dados$FR<=5) > + 2*0.2908*(dados$FR>=6 & dados$FR<=9) > + 4*0.2908*(dados$FR>=10 & dados$FR<=29) > + 3*0.2908*(dados$FR>=30)) > > #Imputando dados nas variáveis "ECLG": > require(mice) > PRED <- (1 - diag(1, ncol(dados[,1:8]))) > PRED[8,1:8] <- PRED[1:8,8] <- 0 > teste <- mice(dados[,1:8], method=c("pmm","pmm", "pmm", "", "", > "", "", ""), > seed=15, predictorMatrix = PRED) > > #O meu problema começa agora. Eu não sei como calcular medidas derivadas > no objeto teste. E a fórmula abaixo retorna erro, já conferi várias vezes > muito dos parênteses e etc, mas creio que o problema seja que a fórmula é > muito grande entro da função I(x), pois quando eu reduzo o modelo, eu > consigo resultados satisfatórios. Me corrijam se estiver errado, por favor. > fit_error <- with(teste, glm(SOBREVIDA ~ I(0.9368*((ECGL_AO + ECGL_MRV + > ECGL_MRM) >= 4) & ((ECGL_AO + ECGL_MRV + ECGL_MRM) <= 5) > + 2*0.9368*(((ECGL_AO + ECGL_MRV + > ECGL_MRM) >= 6) & ((ECGL_AO + ECGL_MRV + ECGL_MRM) <= 8)) > + 3*0.9368*I(((ECGL_AO + ECGL_MRV + > ECGL_MRM) >= 9) & ((ECGL_AO + ECGL_MRV + ECGL_MRM) <= 12)) > + 4*0.9368*I(((ECGL_AO + ECGL_MRV + > ECGL_MRM) >= 13) & ((ECGL_AO + ECGL_MRV + ECGL_MRM) <= 15)) > + 0.7326*I(PAS>=1 & PAS<=49) > + 2*0.7326*I(PAS>=50 & PAS<=75) > + 3*0.7326*I(PAS>=76 & PAS<=89) > + 4*0.7326*I(PAS>=90) > + 0.2908*I(FR>=1 & FR<=5) > + 2*0.2908*I(FR>=6 & FR<=9) > + 4*0.2908*I(FR>=10 & FR<=29) > + 3*0.2908*I(FR>=30)) + IOT, > family="binomial")) > #Enfim, gostaria de rodar algo como isso escrito abaixo, mas não sei como > definir essa variável RTS dentro do arquivo teste. > fit <- with(teste, glm(SOBREVIDA ~ RTS + IOT, > family="binomial")) > fit2 <- glm(SOBREVIDA ~ RTS + IOT, > family="binomial", data=dados) > pool(fit) > # Uma saída que imagino é gerar os cinco bancos imputados através da > função "complete(teste, m)" e ajustar a regressão. Mas dessa forma não > posso utilizar a função *pool. *Teria que reprogramá-la. De qualquer > forma, estou perdido. Qualquer ideia é bem vinda. > > Abraços, > Lucas Petri Damiani > > > > > _______________________________________________ > R-br mailing list > [email protected] > https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br > Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça > código mínimo reproduzível. >
_______________________________________________ R-br mailing list [email protected] https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
