4. Survival/PSM/Sinkey/Forest/Network Plot

Ch5. Modeling Visualization

이번 챕터는 각 분석 별로 파생되어 나오는 그래프들에 대해 소개해드리도록 하겠습니다. 시각화 방법만 다루고 있으므로 모형에 대한 해석은 진행하지 않습니다. (애초에 난수 데이터여서 데이터가 정확하지도, 결과값이 깔끔하게 나오지도 않습니다.)

1. Survival Plot

• 생존분석을 진행한 후, ggsurvplot()을 이용하여 그래프를 그리도록 하겠습니다.

  xxxxxxxxxx
  library(survival)
  library(survminer)
  ​
  fit<- survfit(Surv(Survival_Time, EVENT) ~   Treatment ,
                data = SAMPLE)
  ​
  ​
  ggsurvplot(fit,conf.int = TRUE)
  

  

  xxxxxxxxxx
  ggsurvplot(fit, data = SAMPLE, risk.table = TRUE,
                       pval = TRUE, conf.int = TRUE, 
                       tables.theme = theme_cleantable())
  

  

2. PSM

• 매칭 되기 전과, 매칭 된 후의 데이터 분포 비교를 진행하겠습니다.

• cowplot패키지의 plot_grid()를 이용하면 두 개의 ggplot 그래프를 합칠 수가 있습니다.

  xxxxxxxxxx
  # PSM 진행
  ​
  library(MatchIt)
  ​
  Matched <- matchit(EVENT ~ Age +
                       Sex +
                       BTW +
                       Treatment +
                       Survival_Time, data = SAMPLE, ratio = 1, caliper = 0.1)
  ​
  ​
  matched.1.mtch <- match.data(Matched)
  

  xxxxxxxxxx
  SAMPLE2 = SAMPLE %>%
    group_by(Age,Sex) %>%
    summarise(BTW = mean(BTW)) 
  ​
  Before = ggplot(SAMPLE2) +
    geom_bar(data = subset(SAMPLE2,Sex =='Male'),aes(x = round(Age), y = BTW ,fill = Sex), stat = 'identity') +
    geom_bar(data = subset(SAMPLE2,Sex =='Female'),aes(x = round(Age), y = - BTW , fill = Sex), stat = 'identity') +
    coord_flip() +
    theme_minimal() + xlab("Age") +
    scale_fill_manual(values = c("#FF3333", "#0000FF"))+
    theme(legend.position = c(0.9,0.1)) +
    ggtitle("Before Matching")
  ​
  ​
  Matched2 = matched.1.mtch  %>%
    group_by(Age,Sex) %>%
    summarise(BTW = mean(BTW)) 
  ​
  After = ggplot(Matched2) +
    geom_bar(data = subset(Matched2,Sex =='Male'),aes(x = round(Age), y = BTW ,fill = Sex), stat = 'identity') +
    geom_bar(data = subset(Matched2,Sex =='Female'),aes(x = round(Age), y = - BTW , fill = Sex), stat = 'identity') +
    coord_flip() +
    theme_minimal() + xlab("Age") +
    scale_fill_manual(values = c("#FF3333", "#0000FF"))+
    theme(legend.position = c(0.9,0.1)) +
    ggtitle("After Matching")
  ​
  ​
  library(cowplot)
  ​
  plot_grid(Before,After)
  

  

3. Sinkey Chart

특별한 분석이 들어가는 차트는 아니지만, 환자들의 치료 여부에 따라 이벤트 발생 여부 흐름을 시각화 할 수 있는 차트입니다.

xxxxxxxxxx
library(ggalluvial)
​
​
ggplot(SAMPLE,aes(y = BTW,axis1 = Censored, axis2 = Treatment, axis3 = EVENT)) +
  geom_alluvium(aes(fill = Sex),width = 0, knot.pos = 0, reverse = FALSE) +
  guides(fill = FALSE) +
  geom_stratum(width = 1/8, reverse = FALSE) +
  geom_text(stat = "stratum", label.strata = TRUE, reverse = FALSE) +
  scale_x_continuous(breaks = 1:3, labels = c("Censored", "Treatment", "Event")) +
  coord_flip() +
  theme_classic()

 

4. Forest Plot

Forest Plot은 Cox Regression혹은 메타분석 결과를 표현하는데 주로 사용합니다. 작성방법은 매우 간단합니다.

xxxxxxxxxx
library(survival)
​
model <- coxph( Surv(Survival_Time, EVENT) ~  Age + Treatment + BTW,
                data = SAMPLE )
ggforest(model)

5. Network Plot

Network Plot은 각 변수 별 동시 등장빈도, 혹은 상관계수를 이용하여 그릴 수가 있습니다.

• 데이터 생성

  xxxxxxxxxx
  x1 = rnorm(mean = 0,sd = 5, 150)
  x2 = rnorm(mean = 0,sd = 5, 150)
  x3 = rnorm(mean = 0,sd = 5, 150)
  x4 = rnorm(mean = 0,sd = 5, 150)
  x5 = rnorm(mean = 0,sd = 5, 150)
  x6 = rnorm(mean = 0,sd = 5, 150)
  x7 = rnorm(mean = 0,sd = 5, 150)
  x8 = rnorm(mean = 0,sd = 5, 150)
  x9 = rnorm(mean = 0,sd = 5, 150)
  x10 = rnorm(mean = 0,sd = 5, 150)
  x11 = rnorm(mean = 0,sd = 5, 150)
  x12 = rnorm(mean = 0,sd = 5, 150)
  x13 = rnorm(mean = 0,sd = 5, 150)
  x14 = rnorm(mean = 0,sd = 5, 150)
  x15 = rnorm(mean = 0,sd = 5, 150)
  x16 = rnorm(mean = 0,sd = 5, 150)
  ​
  DataFrame = data.frame(
    x1 = x1,x2 = x2,x3 = x3,x4 = x4,x5=x5,x6=x6,x7=x7,
    x8 = x8,x9 = x9, x10 = x10, x11 = x11, x12 = x12, x13 = x13,
    x14 = x14, x15 = x15, x16 = x16
  )
  ​
  library(dplyr)
  library(reshape)
  ​
  Cor_matrix= DataFrame %>%
    select_if(is.numeric) %>%
    cor() 
  ​
  NETWORK_DF = melt(Cor_matrix)
  

• 네트워크 데이터 변환

  xxxxxxxxxx
  library(ggraph)
  network = graph_from_data_frame(NETWORK_DF,
                                 directed = FALSE)
  

• Basic Network Plot

  xxxxxxxxxx
  plot(network)
  

  

• geom_edge_linke()등의 명령어를 사용하면 더욱화려하게 그릴 수가 있습니다.

  xxxxxxxxxx
  ggraph(network) +
    geom_edge_link(col= 'grey',alpha = 0.4) +
    geom_node_point(color = "grey", size = 4,alpha = 0.4) +
    geom_node_text(aes(label = name,col = name), repel = TRUE, size = 8) +
    theme_graph() +
    labs(title = "Correlations between variables") +
    guides(col = FALSE)
  

  

  x
  ggraph(network) +
    geom_edge_link(aes(edge_alpha = abs(value), edge_width = abs(value), color = value)) +
    guides(edge_alpha = "none", edge_width = "none") +
    scale_edge_colour_gradientn(limits = c(-1, 1), colors = c("firebrick2", "dodgerblue2")) +
    geom_node_point(color = "white", size = 5) +
    geom_node_text(aes(label = name), repel = TRUE) +
    theme_graph() +
    labs(title = "Correlations between variables")