当前位置：首页 > news >正文

012-方法学比较

news 2026/8/28 7:07:36

方法学比较

分析目的

方法学比较（method
comparison）评价候选方法（candidate）与参考方法（reference）在相同样本上
测得结果的一致性，对应 CLSI EP09。ivdtools的mcr()提供一个渐进式
S3 工作流：描述统计 → 相关分析 → 回归（OLS、WLS、Deming、加权
Deming、Passing–Bablok）→ Bland–Altman → 异常值 →
医学决定水平偏倚，并提供绘图、预测与汇总。本文以一个包含不同批次与样本类型的完整示例演示全流程，
并演示按批次/样本类型拆分后的子组比较。

示例数据为确定性的教学数据，其中人为加入了一个离群点以演示异常值检测；统计结果不自动构成合格
判定，接受标准应在分析前确定。

::: cell

library(ivdtools) library(readr)

:::

函数概述

函数主要用途关键输入或输出

mcr()创建方法学比较对象id、candidate、reference、weights

describe()描述统计候选/参考/差值及额外列

correlation()相关分析 pearson/spearman/kendall

regression()回归拟合 ols/wls/deming/wdeming/pb、lambda、weights

bland_altman()一致性限 difference/ratio/percent、x_axis

outlier()差值异常值 grubbs/esd/dixon/iqr、type

bias()医学决定水平偏倚mdl、interval

predict()正向/逆向预测需先回归

`plot()`/`summary()`图形与汇总`type`选择图形

示例：完整的单示例分析

读取和核验数据

数据包含 40 例，每例有编号id、候选方法结果candidate、参考方法结果
reference，以及批次batch（B1/B2）与样本类型
sample_type（serum/plasma/urine）：

::: cell

mc_dat <- read_csv("./data/method-comparison.csv", show_col_types = FALSE) mc_dat <- as.data.frame(mc_dat) str(mc_dat)

:::

::: cell

dim(mc_dat) knitr::kable(table(mc_dat$batch), caption = "批次分布") knitr::kable(table(mc_dat$sample_type), caption = "样本类型分布")

:::

创建对象与描述统计

::: cell

mc <- mcr(mc_dat, id = "id", candidate = "candidate", reference = "reference")

:::

::: cell

mc <- describe(mc, cols = c("batch", "sample_type")) mc

:::

describe()的cols指定纳入描述的分类/数值附加列，支持-
前缀排除。

回归分析

依次比较 OLS、Deming、Passing–Bablok 与 WLS。由于regression()
会更新对象内的回归结果，多种方法分别存入不同对象以便比较：

::: cell

mc_ols <- regression(mc, method = "ols") mc_dem <- regression(mc, method = "deming") mc_pb <- regression(mc, method = "pb") mc_wls <- regression(mc, method = "wls", weights = "1/y")

:::

::: cell

knitr::kable( data.frame( 方法 = c("OLS", "Deming", "Passing-Bablok", "WLS(1/y)"), 截距 = c(mc_ols$regression$intercept, mc_dem$regression$intercept, mc_pb$regression$intercept, mc_wls$regression$intercept), 斜率 = c(mc_ols$regression$slope, mc_dem$regression$slope, mc_pb$regression$slope, mc_wls$regression$slope) ), digits = 4, caption = "四种回归方法截距与斜率比较" )

:::

::: cell

print(mc_ols)

:::

本例 OLS 斜率 ≈ 0.96，95% CI 不含 1，说明候选方法存在约 4%
的比例偏差（数据真实偏差即为 5%）。

参数说明：regression()的method可选
"ols"、"wls"、"deming"、"wdeming"、"pb"。 Deming 用lambda
指定方差比（ref/cand，默认 1）；wls/wdeming必须提供
weights（内置方案或数据列名）；conf.level控制参数置信区间。

医学决定水平的偏倚

用bias()评价在医学决定水平（MDL）处的预测偏倚：

::: cell

mc_ols <- bias(mc_ols, mdl = c(30, 80, 150), interval = "both") mc_ols$bias

:::

::: cell

plot(mc_ols, type = "bias", mdl = c(30, 80, 150))

:::

参数说明：bias(mdl, level, interval)中mdl
为医学决定水平向量；interval可选
""、"confidence"、"prediction"、"both"。偏倚定义参考候选方法
mdl处的拟合值与mdl
之差，解释时应结合回归方向和方案规定的允许偏倚。

Bland–Altman 分析

::: cell

mc_ols <- bland_altman(mc_ols, type = "difference")

:::

::: cell

plot(mc_ols, type = "bland_altman")

:::

::: cell

mc_ols$bland_altman[c("mean_diff", "sd_diff", "loa")]

:::

参数说明：bland_altman()的type可选
"difference"、"ratio"、"percent"（Y 轴度量），x_axis可选
"mean"、"candidate"、"reference"（X 轴）；agree.level控制 LoA
宽度，conf.level控制 LoA 置信区间。

异常值检测

对配对差值检测异常值：

::: cell

mc_ols <- outlier(mc_ols, method = "grubbs", type = "difference") mc_ols$outlier

:::

::: cell

mc_ols$outlier$indices

:::

检测到第 7
号样本的差值明显偏大。检出异常值不等于应删除------应回查原始记录、实验过程，并在有
充分理由时进行包含/不包含的敏感性分析。

预测

::: cell

predict(mc_ols, candidate = c(40, 100))

:::

::: cell

predict(mc_ols, reference = c(50, 120), inverse = TRUE)

:::

子组比较

不同批次或样本类型的方法表现可能不同。先按批次拆分，再对子组重跑回归与
Bland–Altman：

::: cell

for (b in c("B1", "B2")) { sub <- mc_dat[mc_dat$batch == b, ] mcs <- mcr(sub, id = "id", candidate = "candidate", reference = "reference") mcs <- regression(mcs, method = "ols") mcs <- bland_altman(mcs, type = "difference") cat(b, ": slope =", round(mcs$regression$slope, 4), ", mean diff =", round(mcs$bland_altman$mean_diff, 3), "\n") }

:::

按样本类型同理split()
后分别分析。子组比较的结论用于判断方法表现是否受批次/样本类型影响，
只有预先定义的接受标准才能支撑可接受性结论。