Lucas,

Sugiro qu voce leia o livro “clinical prediction models“ do steyerberg.

Sugiro que junto com o mice voce utilize o pacote rms que contem a funçao fit.mult.imput. a partir dessa e possivel  utilizar a val.surv que estima algumas medidas de calibraçao e validade com sobrevivencia.

Eu fiz uma validaçao de modelos esse ano e acabei fazendo em diversos bancos simulados a partir de um objeto do mice, o que no final ficou parecido com o objeto do fit.mult.imput porque assim nao e possible cirrigir para otimismo por bootstrap com a funçao validate.

Mas como voce somente esta interessado em validaçao externa, voce nao precisa estimar o otimismo e fazer as medidas direto dos objetos mice pode ser possivel. Mas para isso voce precisa retirar todas a variaveis que nao entrarao na imputaçao, as que nao sao as variaveis utilizadas na validaçao.  Eu nao entendi muito bem se foi isso que vc fez. O mice roda um catatau de regressoes, se tiver pouco dado ou muita variavel ruim pode dar erro.

Nao esquece de fazer uns graficos d diagnostico dos missings e das imputaçoes.

Pedro Brasil
via Android (:)=

Em 30/11/2012 09:10, "Lucas Petri Damiani" <lucaspd16@gmail.com> escreveu:
Boa noite,

sou leitor assíduo da lista, embora nunca tenha participado das discussões. Porém, hoje vou me arriscar e passar um problema pra vcs. Espero que possam me ajudar.

Estou realizando uma análise num banco de dados de cerca de 10 mil pacientes de Trauma. O objetivo da pesquisadora é testar a validade de um escore de gravidade (preditor de sobrevida) em pacientes que entram no pronto socorro e eventualmente promover alterações nesse escore. Porém, algumas medidas que ela deseja testar possuem cerca de 20% de missing. E a exclusão desses pacientes faz com que o novo escore predito fique um bocado diferente do original, o que me fez ir atrás de alternativas para tratar esses dados faltantes e assim me arrisquei nesse pacote mice. Em testes mais simples que fiz, fiquei bastante empolgado com o método. Enfim, tentei reproduzir abaixo o problema que encontrei.

##### Banco de dados de exemplo:
dados <- matrix(c(
  4, 6, 5, 34, 120, 5, 1, 0,
  NA, 1, 1, 3, 80, 6, 0, 1,
  2, 4, 2, 24, 90, 5, 1, 1,
  3, 5, 5, 5, 98, 5, 1, 1,
  NA, 6, 5, 40, 94, 4, 0, 0 ,
  NA, 6, 5, 12, 87, 3, 0, 1,
  1, 5, NA, 32, 70, 2, 0, 1,
  1, 5, 1, 7, 60, 3, 1, 0,
  2, NA, 2, 25, 80, 5, 1, 0,
  4, 6, 5, 24, 101, 7, 1, 0,
  1, 5, 1, 1, 120, 8, 1, 0,
  3, 5, 3, 12, 200, 6, 0, 1,
  3, 3, 1, 3, 40, 5, 1, 0,
  NA, 5, 1, 35, 60, 4, 0, 1,
  1, 4, 1, 32, 87, 3, 1, 0,
  4, 5, 1, 23, 30, 2, 1, 1,
  2, 1, 1, 5, 46, 1, 0,1), byrow=T, ncol=8)
dados <- as.data.frame(dados)
colnames(dados) <- c("ECGL_AO", "ECGL_MRM", "ECGL_MRV", "FR", "PAS",
                     "GRAU", "IOT",  "SOBREVIDA")
dados$IOT <- as.factor(dados$IOT)
dados$ECGL <- apply(dados[, c("ECGL_AO", "ECGL_MRV", "ECGL_MRM")],1,sum)
dados$ECGL_cut <- cut(dados$ECGL, breaks=c(3,4,6,9,13,16), right=FALSE)

# Notem que a medida RTS é um escore derivado de outras medidas, que pretendo imputar.
dados$RTS <- (0.9368*(dados$ECGL_cut=="[4,6)")
       + 2*0.9368*(dados$ECGL_cut=="[6,9)")
       + 3*0.9368*(dados$ECGL_cut=="[9,13)")
       + 4*0.9368*(dados$ECGL_cut=="[13,16)")
       + 0.7326*(dados$PAS>=1 & dados$PAS<=49)  
       + 2*0.7326*(dados$PAS>=50 & dados$PAS<=75)
       + 3*0.7326*(dados$PAS>=76 & dados$PAS<=89)
       + 4*0.7326*(dados$PAS>=90)
       + 0.2908*(dados$FR>=1 & dados$FR<=5)
       + 2*0.2908*(dados$FR>=6 & dados$FR<=9)
       + 4*0.2908*(dados$FR>=10 & dados$FR<=29)
       + 3*0.2908*(dados$FR>=30))

#Imputando dados nas variáveis "ECLG":
require(mice)
PRED <- (1 - diag(1, ncol(dados[,1:8])))
PRED[8,1:8] <- PRED[1:8,8] <- 0
teste <- mice(dados[,1:8], method=c("pmm","pmm", "pmm", "", "",
                              "", "", ""), 
              seed=15,  predictorMatrix = PRED)

#O meu problema começa agora. Eu não sei como calcular medidas derivadas no objeto teste. E a fórmula abaixo retorna erro, já conferi várias vezes muito dos parênteses e etc, mas creio que o problema seja que a fórmula é muito grande entro da função I(x), pois quando eu reduzo o modelo, eu consigo resultados satisfatórios. Me corrijam se estiver errado, por favor.
fit_error <- with(teste, glm(SOBREVIDA ~ I(0.9368*((ECGL_AO + ECGL_MRV + ECGL_MRM) >= 4) & ((ECGL_AO + ECGL_MRV + ECGL_MRM) <= 5)
                                     + 2*0.9368*(((ECGL_AO + ECGL_MRV + ECGL_MRM) >= 6) & ((ECGL_AO + ECGL_MRV + ECGL_MRM) <= 8))
                                     + 3*0.9368*I(((ECGL_AO + ECGL_MRV + ECGL_MRM) >= 9) & ((ECGL_AO + ECGL_MRV + ECGL_MRM) <= 12))
                                     + 4*0.9368*I(((ECGL_AO + ECGL_MRV + ECGL_MRM) >= 13) & ((ECGL_AO + ECGL_MRV + ECGL_MRM) <= 15))
                                     + 0.7326*I(PAS>=1 & PAS<=49)  
                                     + 2*0.7326*I(PAS>=50 & PAS<=75)
                                     + 3*0.7326*I(PAS>=76 & PAS<=89)
                                     + 4*0.7326*I(PAS>=90)
                                     + 0.2908*I(FR>=1 & FR<=5)
                                     + 2*0.2908*I(FR>=6 & FR<=9)
                                     + 4*0.2908*I(FR>=10 & FR<=29)
                                     + 3*0.2908*I(FR>=30)) + IOT,
                         family="binomial"))
#Enfim, gostaria de rodar algo como isso escrito abaixo, mas não sei como definir essa variável RTS dentro do arquivo teste.
fit <- with(teste, glm(SOBREVIDA ~ RTS + IOT,
                       family="binomial"))
fit2 <- glm(SOBREVIDA ~ RTS + IOT,
            family="binomial", data=dados)
pool(fit)
# Uma saída que imagino é gerar os cinco bancos imputados através da função "complete(teste, m)" e ajustar a regressão. Mas dessa forma não posso utilizar a função pool. Teria que reprogramá-la. De qualquer forma, estou perdido. Qualquer ideia é bem vinda.

Abraços,
Lucas Petri Damiani




_______________________________________________
R-br mailing list
R-br@listas.c3sl.ufpr.br
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.