主讲老师第六十一课：进阶版：动态 Nomo 图的绘制
Nomo 图开始走入大家视野以后，被疯狂应用，几乎很多的文章最后都会往上靠一靠，由于静态版Nomo 图的这个现状，介绍几个进阶版的 Nomo 图（Nomo.zip）绘制方法。而且，绘制一个实用的动态 Nomogram 图，不管是对于文章的特色，还是临床使用，都会极大的增加简便性，更受大家欢迎。下面，我们一起来看一下如何绘制动态 Nomogram 图给文章增添新的色彩
1.R 包与数据准备
1.1 读取 R 包
在正式构建 Nomogram 图前，我们需要首先使用 survival 包构建 Cox 回归模型。
1.2 读取数据
随后，读取相应的数据内容，并使用 str()函数查看数据集内的内容。
可以看到，其中包括 296 个观测，8 个不同的变量内容，包括生存时间（futime），生存状态（fustat），以及相应的临床信息（性别，分期，T 分期，M 分期，N 分期和风险等级）。
同时，根据数据内容，将其中需要用到的分类变量转化为因子形式。
使用函数 datadist()将数据打包。
2.构建 Cox 模型
数据准备完成后，接下来需要对数据进行拟合，构建 Cox 比例风险模型。
在此，使用 survival 包的 coxph() 函数对数据进行拟合建模，通过 summary()函数，查看最终的模型结果接下来，我们将分别使用三种不同的 R 包来分别绘制 Nomogram 图。
3.基于 regplot 包绘制交互式列线图模型
首先，使用 regplot 包来绘制交互式的 Nomogram 图。
使用 regplot() 函数绘制交互式 Nomogram 图，通过 plot 参数设定展示形式，以指定变量图的类型。其中， plots = c（“ density”，“ boxes”） 为默认形式，且针对因子的第二个内容必须为"noplot", "boxes"，"bars" 和"spikes"中的其中一个。
同时，通过 observation 参数来指定展示其中第 12个患者 TCGA-VQ-A8PB 的相关信息。
在图中红色点代表第 12 个患者对应的临床信息，而且经过模型预测，该患者所对应的Total score 为
1.02 分，1 年内死亡率为 0.114，2 年内死亡率为 0.26，3 年内死亡率为 0.319，整个图形更加的直观
4.基于 DynNom 包绘制模型
随后，我们来看下如何使用 DynNom 包来快速绘制动态 Nomogram 图使用 DynNom()函数可以快速完成动态模型的构建。
接着，我们将患者 TCGA-VQ-A8PB 的相关信息输入进去，其中 gender 为 F，stage 为Stage2，T 为 T3，M 为 M0，N 为 N0，risk 为 high。
点击 Predict，得到相应的预测生存可能性，同时，点击“Numerical Summary”板块。
分别得到其 1 年，2 年和 3 年生存率的预测结果为 0.899，0.740 和 0.680，这与前面通过 regplot()函数预测得到的生存结果是相一致的。关于其他界面的按钮，大家可以自己尝试着点点使用。
5.基于 shinyPredict 包绘制模型
除了 DynNom 包外，还可以使用 shinyPredict 包进行动态 Nomogram 图的绘制。
在 shinyPredict() 函数中，通过 models 参数对需要可视化的模型进行指定， data 参数则需要赋予用于预测的数据框格式的数据内容， path 参数为保存的路径，运行以后，可以在名为 result 的文件夹下看到三个不同的文件。
点击文件“app.R”，使用 RStudio 软件直接打开构建得到的预测模型。
点击右上角的 Run App ，即可启动相应的 App。
与前面的使用方法一样，对相应的临床信息进行选择，即可通过预测模型，对患者的生存情况进行预测。