列线图中的结局常常是某个时间点的生存概率，这就要求我们在统计处理上做出转换。就是将风险函数转换成生存函数进而得到预测的生存概率。

接下来我们就来详细地过一遍实操重点。

本文中涉及到的文献图片和方法描述均来自

JAMA Surg杂志的小哥，小哥引用如下：

Hyder O, Marques H, Pulitano C, et al. A Nomogram to Predict Long-term Survival After Resection for Intrahepatic Cholangiocarcinoma: An Eastern and Western Experience. JAMA Surg. 2014;149(5):432–438. doi:10.1001/jamasurg.2013.5168

变量选择

首先看变量筛选，经常我们用来做模型的数据库中有很多变量，列线图作为一个临床应用工具，变量肯定是越少越好的（让医生算分算半个多小时总分总是不合适推广的嘛，虽然大家做论文都不关心临床转换，但是还要有这个意识比较好），所以必须精选，这篇小哥用到的方法叫做Backward stepwise selection：

Backward stepwise selection using the AIC in Cox proportional hazards regression modeling identified 6 variables that were the most associated with survival: age, tumor size, multiple lesions, nodal status, vascular invasion, and presence of cirrhosis of the underlying liver

我看生存分析列线图的小哥这个方法用得还是比较普遍的哈，基本都是单变量筛过之后再来个stepwise selection：

整体这个方法在R中操作也是非常方便的，像rms包中专门就有fastbw函数进行倒退法的逐步筛选。

可以用aic为标准，也可以用p值为标准进行筛，很方便的。

用生存分析模型出列线图

首先明确，同学们不要再称呼“列线图模型”了，列线图只是具体模型的可视化、工具化表示，他本身不是模型。模型本身具体要看你到底做的是什么统计模型，比如逻辑模型，比如线性回归模型，再比如今天写的COX模型，这个才叫模型。

A nomogram is a graphical representation of a mathematical model involving several pre- dictors to predict a particular endpoint based on traditional statistical methods such as Cox proportional hazards model for survival data or logistic regression for binary outcome

好多同学问我能不能帮忙做一个列线图模型，其实这种表达我是摸不着头脑的。

出列线图，首先要确定内在的统计模型，比如今天写生存数据的列线图，我就要先做一个COX模型，然后再借助nomogram函数出图，这个函数的参数很多，下图只是部分参数：

可以看到这个函数需要的第一个参数就是一个做好的模型fit。具体到生存分析的列线图，我们就需要先跑一个cox模型出来，然后对跑模型的数据集d进行下面的操作：

ddist