Hdnom包可以用于用于给高维数据构建Cox 模型、绘制列线图-校准曲线-时间依赖ROC-外部验证，而且Hdnom包简化了建模过程，带有自动选择变量功能，将用户从繁琐且容易出错的调参过程中解放出来.
hdnom提供了多项自动调参和模型选择功能，包括以下模型类型：
下面我们通过数据来演示一下，我们先导入数据和R包，
library("hdnom")smart<-read.csv("E:/r/test/tijian2.csv",sep=',',header=TRUE)
这是一个体检数据（公众号回复：体检数据2，可以获得数据，嫌麻烦的也可以在这里下载/download/dege857/87454475?spm=1001..3001.5501），数据有29个变量，TEVENT：时间变量，EVENT：事件，这里是结局变量，SEX：性别，AGE年龄，DIABETES;糖尿病，CARDIAC：冠状动脉病史，AAA腹主动脉瘤。
和其他R包一样需把结局、时间、协变量分成不同的矩阵
x <- as.matrix(smart[, -c(1, 2)])time <- smart$TEVENTevent <- smart$EVENTy <- survival::Surv(time, event)
我们使用弹性网络需要加载doParallel包
suppressMessages(library("doParallel"))registerDoParallel(detectCores())
建立模型，这里以弹性网络建立模型，nfolds交叉验证的折叠数，这里选10折，rule这里和cv.glmnet是一样的，这里选 lambda.1se，seed这里设置两个随机种子，parallel默认为F，选T的话要加载doParalle包
fit <- fit_aenet(x, y, nfolds = 10, rule = "lambda.1se", seed = c(5, 7), parallel = TRUE)
提取模型的一些数据,等下用到
model <- fit$modelalpha <- fit$alphalambda <- fit$lambdaadapen <- fit$pen_factor
构建列线图
nom <- as_nomogram(fit, x, time, event,pred.at = 365 * 2,funlabel = "2-Year Overall Survival Probability")
绘图
print(nom)plot(nom)
根据诺模图，自适应弹性网络模型从27个变量的原始集合中选择了5个变量，有效地降低了模型的复杂性。
接下来使用进行模型验证，先进行内部验证，使用validate函数进行
val_int <- validate(x, time, event,model.type = "aenet",alpha = alpha, lambda = lambda, pen.factor = adapen,method = "bootstrap", boot.times = 10,tauc.type = "UNO", tauc.time = seq(1, 5, 0.5) * 365,seed = 42, trace = FALSE)
validate使用重采样的方法来验证惩罚Cox模型的预测性能，我们查看一下
print(val_int)
上图显示了重采样及模型的一些信息，以及tAUC的评估时间点，可以summary它显示具体数值
summary(val_int)
上图显示了每个时间点AUC的均值及分位数，我们还可以进一步绘图图示
plot(val_int)
下面进行外部验证，外部验证需要外部数据，我们从原数据抽一部分当外部数据
x_new <- as.matrix(smart[, -c(1, 2)])[1001:2000, ]time_new <- smart$TEVENT[1001:2000]event_new <- smart$EVENT[1001:2000]
，做好外部数据后，后面的步骤和之前一样
val_ext <- validate_external(fit, x, time, event,x_new, time_new, event_new,tauc.type = "UNO",tauc.time = seq(0.25, 2, 0.25) * 365)summary(val_ext)plot(val_ext)
如果你想求校准曲线，求校准度也是可以的。
cal_int <- calibrate(x, time, event,model.type = "aenet",alpha = alpha, lambda = lambda, pen.factor = adapen,method = "bootstrap", boot.times = 10,pred.at = 365 * 5, ngroup = 3,seed = 42, trace = FALSE)plot(cal_int, xlim = c(0.5, 1), ylim = c(0.5, 1))
把ngroup = 5可以得到5个截点
cal_int <- calibrate(x, time, event,model.type = "aenet",alpha = alpha, lambda = lambda, pen.factor = adapen,method = "bootstrap", boot.times = 10,pred.at = 365 * 5, ngroup = 5,seed = 42, trace = FALSE)plot(cal_int, xlim = c(0.5, 1), ylim = c(0.5, 1))
如果需要对外部数据进行校准，需要用到calibrate_external函数
cal_ext <- calibrate_external(fit, x, time, event,x_new, time_new, event_new,pred.at = 365 * 5, ngroup = 5)plot(cal_ext, xlim = c(0.5, 1), ylim = c(0.5, 1))
hdnom包还有很多功能，比如说生存曲线比较，多组T-ROC比较等等，这里就不一一介绍了，感兴趣的自己研究一下。
