Forest plot（森林图）
森林图在临床数据分析中很常见，通过图片的形式直接展示一些常见回归分析的结果，比表格更直观和清晰。
思路流程大概是这样：
安装必备软件包----> 获取数据----> 构建模型----> 绘制森林图----> 图片优化
1）安装必备软件包
#安装并载入R包
if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install("survival")
BiocManager::install("survminer")
library(survival)
library(survminer)
2）获取数据
由于懒得下载数据，而且TCGAbiolinks包太大，安装容易下载失败，因此数据自己构建。
tumor_data <- data.frame(patient_ID = seq(1,1000),
gender = as.character(sample(c("Male","Female"),1000,replace = TRUE)),
status = sample(c(0,1),1000,replace = TRUE), #结局事件，0代表死亡，1代表生存
time = rnorm(1000,312,120), #生存时间
age = round(runif(1000,min=23,max=90)),
grade = as.character(paste("G",round(runif(1000,min=0,max=4)),sep = "")),
height = round(runif(1000,min=155,max=190)),
weight = round(runif(1000,min=80,max=200)))
3） 构建模型
临床数据模型的构建，这里统称临床预测模型，因为主要是基于已有的数据，通过数学模型（如logistics回归、COX回归等），
估算患有某病的概率或者将来某结局发生的概率。
临床预测模型包括诊断模型（Diagnosticmodels）和预后模型（Prognostic Models）。
诊断模型关注的是基于研究对象的临床症状和特征，诊断当前患有某种疾病的概率，多见于横断面研究。
预后模型关注的是在当下的疾病状态下，未来某段时间内疾病复发、死亡，伤残以及出现并发症等结局的概率，多见于队列研究。
如图所示：
预测模型.jpg
因为构建的是肿瘤数据，因此包含生存时间（time）和结局事件（生存、死亡或者删失），模型选择COX多因素回归模型。
即 比例风险(Cox)回归模型——Proportional hazards model 通常是time-to-event
然而数据中也包生存时间，因此可以做生存分析，本文暂不说明，下次再深究。
#这里，Surv(time, status) 即生存时间即time；结局事件即status
#~ age + gender + grade 即你想纳入分析的变量，根据情况自己添加或者删除
model <- coxph( Surv(time, status) ~ age + gender + grade , data = tumor_data )
4）绘制森林图
ggforest(model, data = tumor_data )
结果大概是这个亚子，但是因为数据是随机生成的，显示的数值会不一样，不用担心。
森林图.jpeg
5）图片调整和优化
model <- coxph( Surv(time, status) ~ age + gender + grade , data = tumor_data )
ggforest(model,
data = tumor_data ,
main = 'Hazard ratio of LIHC', #标题
cpositions = c(0.05, 0.15, 0.35), #前三列距离
fontsize = 1, #字体大小
refLabel = 'reference', #相对变量的数值标签，也可改为1
noDigits = 3 #保留HR值以及95%CI的小数位数
）
这个亚子
优化森林图.jpeg
到此，基础的森林图就结束了。
附上原创诗一首：
意将寒夜锥悬梁
不可枉自虚寸光
待到夏荷映满日
为君奉上酒一池
