桑基图在医学数据分析中的更复杂应用示例

桑基图（Sankey Diagram）能够有效地展示复杂的流动关系，特别适合用于医学数据分析中的多种转归和治疗路径的可视化。接下来，我们将构建一个稍微复杂的示例，展示不同疾病患者在治疗过程中的流动，以及他们的治疗效果。

案例：患者疾病转归与治疗路径分析

数据准备

我们假设有以下患者数据，表示不同疾病的患者在治疗过程中的转归情况。我们将分析患者从初始诊断到最终结果的流动路径，包括不同的治疗方案及其结果。

示例数据

我们将定义以下节点和流动关系：

疾病：高血压、糖尿病、慢性阻塞性肺疾病（COPD）
治疗方案：药物治疗、生活方式改变、介入治疗
结果：好转、未改善、住院、出院

Python 代码实现

import plotly.graph_objects as go# 定义节点
labels = ["Hypertension", "Diabetes", "COPD", "Medication", "Lifestyle Changes", "Interventional Therapy", "Improved", "Not Improved", "Hospitalized", "Discharged"
]# 定义源节点和目标节点
source = [0, 0, 0,  # 高血压的流动1, 1,  # 糖尿病的流动2, 2,  # COPD的流动3, 3, 3,  # 药物治疗的结果4, 4,  # 生活方式改变的结果5, 5   # 介入治疗的结果
]target = [3, 4, 5,  # 高血压的治疗方案3, 4,  # 糖尿病的治疗方案3, 4,  # COPD的治疗方案6, 7, 8,  # 药物治疗的结果6, 7,  # 生活方式改变的结果6, 7   # 介入治疗的结果
]# 定义流量值
values = [30, 10, 5,  # 高血压患者流向治疗方案20, 15,  # 糖尿病患者流向治疗方案10, 5,  # COPD患者流向治疗方案20, 15, 5,  # 药物治疗的结果10, 5,  # 生活方式改变的结果15, 5   # 介入治疗的结果
]# 创建桑基图
fig = go.Figure(data=[go.Sankey(node=dict(pad=15,  # 节点之间的间距thickness=20,  # 节点的厚度line=dict(color="black", width=0.5),  # 节点边框label=labels,  # 节点标签),link=dict(source=source,  # 源节点target=target,  # 目标节点value=values,  # 流动的数量)
)])# 添加标题和布局
fig.update_layout(title_text="Patient Disease Outcomes and Treatment Paths", font_size=10)
fig.show()

图表说明和解读

节点：
- 疾病节点：包括高血压、糖尿病和慢性阻塞性肺疾病（COPD）。
- 治疗方案节点：包括药物治疗、生活方式改变和介入治疗。
- 结果节点：包括好转、未改善、住院和出院。
流动路径：
- 从每种疾病出发，患者可以选择不同的治疗方案（如药物治疗、生活方式改变或介入治疗）。
- 每个治疗方案有其对应的结果，患者可能会好转、未改善，或选择住院和出院。
流量值：
- 每条流动的厚度表示相应患者的数量。例如，从高血压到药物治疗的流动表示有30名患者选择了这种治疗方案。