用于预测模型可视化的列线图（Nomogram，诺模图）已为大家所熟知，很多朋友在自己的文章中也用过。不过，大家使用的列线图一般是下图这样的（见图1）。
图1. 普通列线图
对于这样的列线图，观赏性可能要大于实用性。如果让你用这样的图去说明某特征患者的3年生存率是多少，你会怎么做？拿着直尺画垂直线，然后将各个特征对应的points加起来，根据Total points再画垂直线吗？这样的话，实用性和可操作性可就太低了。或许，你会说可以在列线图上加垂直的网格线，像下图这样（见图2）。但，还是需要手动计算，且精确性也不好。
图2. 改进版列线图
总而言之，这样的列线图解释起来和实际运用起来都有点麻烦。那如何才能让列线图发挥实用性呢？说到这里，肯定会有朋友想到R package：regplot，regplot可以绘制出交互式列线图，是一个很好的解决方案；有的朋友还会想到另外一个R package：nomogramEx，它配合常用的列线图使用，可以得到一个Total points的计算公式。
今天，暂时不说上述两个R packages，说说另外一个R package：DynNom，即动态列线图。这个R package使用起来很简单，在建立模型后直接使用即可。下面以骨髓异常增生综合征（MDS）患者的生存资料为例，简单介绍一下DynNom的使用。
根据2019年新发布的MDS诊疗指南和前期的变量筛选，多因素Cox回归模型纳入了年龄分组（Agecat：≤44、45-64、≥65）、修订版国际预后评分系统（IPSS-R：Lower-risk、Int-risk、High-risk）、基因是否突变（TP53、EZH2、SF3B1、IDH1）6个变量。使用coxph( )建立的模型情况如下图。
图3. 多因素Cox回归模型结果
接下来，我们根据已建立的模型应用nomogram( )先绘制了如图1所示的普通列线图。在这里我们不妨先试着算一下年龄≥65、IPSS-R为High-risk、TP53未突变、SF3B1突变、EZH2和IDH1未突变的患者Total points和1-year survival probability。根据图1，大概得知具有上述特征患者的Total points和1-year survival probability分别约为190和0.72。下面开始用DynNom ( )绘制动态列线图，主要代码如下：
fcox <- cph(Surv(time, status) ~ Agecat + IPSSR + TP53 + SF3B1 + EZH2 + IDH1, surv=T, data=dat)
DynNom(fcox, dat) ##注意，数据框的名字不要用data，会报错（遇到过这一问题）
图4. 动态列线图
代码运行后会生成一个动态网页，如图4。在图的左边是患者特征，就像excel的下拉菜单，可以选择不同的亚组。选择相应的特征后，点击Predict按钮，即可生成上图右侧的生存率及其95%置信区间；勾选左侧下方的Predicted Survival at this Follow Up，拖动按钮，即可得到不同随访时间的生存率和生存曲线。另外点击上部的Numerical Summary和Survival Plot可以得到与上图对应的数据表格和生存曲线，如图5、图6。
图5. 不同特征和随访时间的患者对应的生存率
图6. 不同特征和随访时间的患者生存曲线
前面我们根据图1计算过一个患者的1年生存率（约0.72），现在请看图5的第一行。我们可以看到，具有前述特征的患者1年生存率为0.730（95%CI：0.620~0.860）。这里不仅给出了一个精确的数字，而且给出了95%置信区间。这么一看，是不是要比普通的列线图更具有操作性和实用性呢？
除了Cox模型，DynNom还可以用于线性模型（lm）、logistic模型（lrm）、广义线性模型（glm）、广义相加模型（gam）等的预测结果可视化，用法也是一样的简单直接。
总结一下，从上面的介绍可知，动态列线图（Dynamic Nomogram）可以很好的解决列线图好看而不好用的问题，同时还将生存曲线融合了进来，可以说是功能多样化了。但是，问题来了，这样的图如何放到文章里呢？有人说可以生成在线网页使用。
