Logistic构建预测模型：如何用R语言拆分数据集并做基线差异性分析？（附全套代码）...

我们从SEER数据库或其他公共数据库下载到数据后，一个很重要的步骤就是把数据集随机分为训练集和验证集，一般来说70%用于数据建模，即训练集，30%的数据进行验证，即内部验证。因为我们想要找到类似的数据进行外部验证比较难，因此只能对数据进行拆分来验证。

本文案例：一篇基于logistic回归构建预测模型的文章，就采用了内部验证的方法，将数据按7:3进行拆分。今天我们分别用R语言和风暴统计免费在线平台对预测模型验证过程中经常用到的内部验证，将数据集拆分为训练集和验证集并进行基线差异性分析复现。

今日文章分为三部分

文章解读

R语言复现

简单方法拆分数据集（送基线差异分析）

1.文章解读

案例文献是一篇基于SEER公共数据库的一项回顾性研究，旨在开发和验证列线图以预测脑转移的非小细胞肺癌患者早期死亡。

背景：在非小细胞肺癌（NSCLC）的整个病程中，很多患者会出现预后差、死亡率高的脑转移（BM）。然而，很少有模型能预测有脑转移的NSCLC患者的早期死亡（ED）。我们旨在开发列线图来预测NSCLC脑转移患者ED。

方法：从监测、流行病学和最终结果（SEER）数据库中选取了2010年至2015年间患有BM的NSCLC患者。纳入标准如下：（I）患者经病理诊断为NSCLC；（II）患者患有BM。患者按7:3的比例随机分为两组，分别为训练组和验证组。采用单因素和多因素Logistic回归方法来确定伴有BM的NSCLC患者发生ED的危险因素。建立了两个列线图，并通过校准曲线、ROC曲线和决策曲线分析（DCA）进行了验证。随访数据包括生存月数、死因和生命状态。初次诊断后3个月内的死亡定义为ED，终点为全因ED和癌症特异性ED。

结果：共纳入了4,920名患有BM的NSCLC患者，并随机分为两个队列（7:3），包括训练队列（n=3,444）和验证队列（n=1,476）。全因ED和癌症特异性ED的独立预后因素包括年龄、性别、种族、肿瘤大小、组织学、T分期、N分期、分级、手术、放疗、化疗、骨转移和肝转移。所有这些变量都用于建立列线图。在全因ED和癌症特异性ED的列线图中，训练数据集的ROC曲线下面积分别为0.813（95% CI：0.799-0.837）和0.808（95% CI：0.791-0.830），验证数据集的ROC曲线下面积分别为0.835（95% CI：0.805-0.862）和0.824（95% CI：0.790-0.849）。此外，校准曲线证明预测的ED与实际值一致。DCA临床应用前景良好。

结论：列线图可用来预测患者死亡的具体概率，有助于治疗决策和重点护理，以及医患沟通。

今天我们对本文的数据集拆分及基线差异性分析展开复现。根据文章的纳排标准，我们从SEER数据库提取数据，并通过筛选、整理得到数据集lung.cancer，将数据按照7:3拆分为训练集train和验证集test，test用于内部验证。

本文属于Logistic构建临床预测模型系列文章第三篇，系列文章详情请点击下方链接：

①Logistic构建预测模型：SEER数据库文献解读

②Logistic构建预测模型：如何用R语言整理数据？（附全套代码）

2.R语言复现

2.1数据集拆分

导入整理好的lung.cancer数据集，共14个自变量，2个结局变量。按照7:3的比例将数据集拆分为训练集train和验证集test。