如何在R中从rstpm2的Royston-Parmar模型计算Harrell's c统计量？

方法1：基于预测值手动计算（用Hmisc包） #

Royston-Parmar模型属于参数化生存模型，C统计量（Harrell's C）可通过预测风险与实际结局的一致性来计算，步骤如下：

• 用predict()从rstpm2模型中提取特定时间点的生存概率，转换为风险值（1 - 生存概率）
• 结合结局变量，用Hmisc包的rcorr.cens()函数计算C统计量

示例代码：

library(rstpm2)
library(Hmisc)

# 示例数据与模型拟合
data(lung)
lung$status <- lung$status - 1 # 转换为0/1结局（0=存活，1=死亡）
fit <- stpm2(Surv(time, status) ~ age + sex, data = lung, df = 3)

# 获取随访365天的预测风险值
pred_risk <- 1 - predict(fit, newdata = lung, type = "surv", times = 365)

# 计算C统计量
c_result <- rcorr.cens(pred_risk, Surv(lung$time, lung$status))
print(c_result$C)

方法2：用survival包的concordance()函数 #

直接将预测风险作为变量，结合生存对象计算：

library(survival)

# 计算C统计量
concordance(Surv(time, status) ~ pred_risk, data = lung)

注意事项 #

• 需确保预测风险的时间尺度与结局的随访时间匹配，若关注多时间点的C统计量，可循环计算或使用timeROC包做时间依赖ROC分析
• 两种方法本质都是基于预测风险与实际结局的秩相关，结果应基本一致

内容的提问来源于stack exchange，提问作者user29204473