---
webr:
packages: [dplyr, broom, broom.helpers, cardx, car, parameters, smd, survival, gtsummary] # gtsummary は最後(他パッケージに関数を上書きされないように)
resources: [R/setup.R]
cell-options:
autorun: true
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# 演習問題 {#sec-exercises}
```{webr}
#| include: false
source("R/setup.R")
library(survival)
```
新しいデータで、論文用の表を一通り作ってみましょう。
問題ごとに **空のコードセル** があるので、そこに書いて「Run Code」で実行してください。
解答例は折りたたんであります。
## データ:肺がん患者の生存データ (`lung`)
survival パッケージに付属する、進行肺がん患者 228 人のデータです。
そのままでは使いにくいので、まず下のセルで整形します(実行済み)。
```{webr}
lung_df <- lung |>
mutate(
sex = factor(sex, levels = 1:2, labels = c("Male", "Female")),
death = as.integer(status == 2), # 1 = 死亡, 0 = 打ち切り
ecog = factor(ph.ecog, levels = 0:3), # 全身状態 (ECOG PS)
age_grp = factor(ifelse(age >= 65, "65+", "<65"), levels = c("<65", "65+"))
) |>
select(time, death, age, age_grp, sex, ecog, ph.karno, wt.loss)
# 変数ラベルを付ける(表に表示される名前)
attr(lung_df$time, "label") <- "Follow-up (days)"
attr(lung_df$death, "label") <- "Death"
attr(lung_df$age, "label") <- "Age (years)"
attr(lung_df$age_grp, "label") <- "Age group"
attr(lung_df$sex, "label") <- "Sex"
attr(lung_df$ecog, "label") <- "ECOG performance status"
attr(lung_df$ph.karno, "label") <- "Karnofsky score"
attr(lung_df$wt.loss, "label") <- "Weight loss (lbs)"
head(lung_df)
```
::: {.callout-tip}
変数ラベルは `attr(x, "label") <- "..."` で付けられます。labelled パッケージの `set_variable_labels()` を使うともっと簡単です。
:::
## 問1:基本の Table 1
`lung_df` について、**性別 (`sex`) ごと** の患者背景表を作ってください。条件:
- 変数は `age`, `ecog`, `ph.karno`, `wt.loss`, `death`
- `age` は **平均 (SD)**、それ以外の連続変数は中央値 (Q1, Q3)
- 全体の列を **左端** に追加
```{webr}
#| autorun: false
```
::: {.callout-tip collapse="true"}
## 解答例
```{webr}
lung_df |>
tbl_summary(
by = sex,
include = c(age, ecog, ph.karno, wt.loss, death),
statistic = age ~ "{mean} ({sd})"
) |>
add_overall(last = FALSE)
```
:::
## 問2:p 値を付ける
問1の表に p 値を追加してください。条件:
- `age` は **t 検定**、`ecog` は **Fisher の正確検定**、それ以外は既定の検定
- p 値は小数3桁で表示し、0.05 未満を太字に
```{webr}
#| autorun: false
```
::: {.callout-tip collapse="true"}
## 解答例
```{webr}
lung_df |>
tbl_summary(
by = sex,
include = c(age, ecog, ph.karno, wt.loss, death),
statistic = age ~ "{mean} ({sd})"
) |>
add_overall(last = FALSE) |>
add_p(
test = list(age ~ "t.test", ecog ~ "fisher.test"),
pvalue_fun = label_style_pvalue(digits = 3)
) |>
bold_p()
```
`ecog` の Fisher 検定は、セルの数が多いと計算に時間がかかることがあります。
その場合は `test.args = ecog ~ list(simulate.p.value = TRUE)` でシミュレーションによる p 値にできます。
:::
## 問3:見た目を整える
問2の表を次のように整えてください。
- 変数名を太字に
- 各群の見出しを「**Male**(改行)n = 138」の形に
- 群の上に「**Sex**」という上見出し
- 表題「Table 1. Baseline characteristics」
```{webr}
#| autorun: false
```
::: {.callout-tip collapse="true"}
## 解答例
```{webr}
lung_df |>
tbl_summary(
by = sex,
include = c(age, ecog, ph.karno, wt.loss, death),
statistic = age ~ "{mean} ({sd})"
) |>
add_overall(last = FALSE) |>
add_p(
test = list(age ~ "t.test", ecog ~ "fisher.test"),
pvalue_fun = label_style_pvalue(digits = 3)
) |>
bold_p() |>
bold_labels() |>
modify_header(all_stat_cols(stat_0 = FALSE) ~ "**{level}** \nn = {n}") |>
modify_spanning_header(all_stat_cols(stat_0 = FALSE) ~ "**Sex**") |>
modify_caption("**Table 1. Baseline characteristics**")
```
`all_stat_cols(stat_0 = FALSE)` は「全体列 (`stat_0`) を除く群の列」という意味です。
:::
## 問4:層別した表
**年齢層 (`age_grp`) で層別** し、各層で性別ごとに `ph.karno`, `wt.loss`, `death` を比較する表を作ってください(p 値付き、欠測行は非表示)。
```{webr}
#| autorun: false
```
::: {.callout-tip collapse="true"}
## 解答例
```{webr}
lung_df |>
select(age_grp, sex, ph.karno, wt.loss, death) |>
tbl_strata(
strata = age_grp,
.tbl_fun = ~ .x |>
tbl_summary(by = sex, missing = "no") |>
add_p(),
.header = "**Age {strata}**, N = {n}"
)
```
:::
## 問5:Cox 回帰の表(単変量+多変量)
死亡までの時間 `Surv(time, death)` を目的変数として、
- `age`, `sex`, `ecog` それぞれの **単変量 Cox 回帰**
- 3つを同時に入れた **多変量 Cox 回帰**
のハザード比を横に並べた表を作ってください。
```{webr}
#| autorun: false
```
::: {.callout-tip collapse="true"}
## 解答例
```{webr}
t_uv <- lung_df |>
tbl_uvregression(
method = coxph,
y = Surv(time, death),
exponentiate = TRUE,
include = c(age, sex, ecog),
hide_n = TRUE
)
t_mv <- coxph(Surv(time, death) ~ age + sex + ecog, data = lung_df) |>
tbl_regression(exponentiate = TRUE)
tbl_merge(
tbls = list(t_uv, t_mv),
tab_spanner = c("**Univariable**", "**Multivariable**")
) |>
bold_labels()
```
ECOG = 3 の患者は 1 人しかいないため、その HR の信頼区間は非常に広くなります。
実際の論文では、水準をまとめる(例:2–3 をひとまとめ)などの対応を検討します。
:::
## 問6:本文に数値を引用する
問5の多変量モデルの表から、**女性の男性に対するハザード比(95% CI と p 値)** を `inline_text()` で取り出してください。
```{webr}
#| autorun: false
```
::: {.callout-tip collapse="true"}
## 解答例
```{webr}
t_mv <- coxph(Surv(time, death) ~ age + sex + ecog, data = lung_df) |>
tbl_regression(exponentiate = TRUE)
inline_text(t_mv, variable = sex, level = "Female",
pattern = "HR {estimate} (95% CI {conf.low}–{conf.high}); {p.value}")
```
:::
## チャレンジ
1. 問3の表を `theme_gtsummary_journal("jama")` を設定してから作り直し、違いを確認しよう(最後に `reset_gtsummary_theme()` を忘れずに)
2. 問1の表に `add_difference(everything() ~ "smd")` を付けて、性別間のバランスを SMD で示そう
3. 問5の多変量 Cox 回帰を、第 @sec-forest 章の方法でフォレストプロットにしよう(`plot()` で OK。ggplot2 / ggstats の読み込みが必要)
4. 自分の PC で、問3の表を `as_flex_table() |> flextable::save_as_docx(path = "table1.docx")` で Word に保存しよう
お疲れさまでした!