Utiliser l'imputation multiple pour les risques proportionnels de Cox, puis valider avec le package rms?

J'ai fait des recherches sur le package de souris et je n'ai pas encore découvert de moyen d'utiliser les multiples imputations pour créer un modèle Cox, puis valider ce modèle avec la fonction du package rmsvalidate() . Voici un exemple de code de ce que j'ai jusqu'à présent, en utilisant l'ensemble de données veteran:

library(rms)
library(survival)
library(mice)

remove(veteran)
data(veteran)
veteran$trt=factor(veteran$trt,levels=c(1,2))
veteran$prior=factor(veteran$prior,levels=c(0,10))

#Set random data to NA 
veteran[sample(137,4),1]=NA
veteran[sample(137,4),2]=NA
veteran[sample(137,4),7]=NA

impvet=mice(veteran)
survmod=with(veteran,Surv(time,status))

#make a CPH for each imputation
for(i in seq(5)){
    assign(paste("mod_",i,sep=""),cph(survmod~trt+celltype+karno+age+prior,
        data=complete(impvet,i),x=T,y=T))
}

#Now there is a CPH model for mod_1, mod_2, mod_3, mod_4, and mod_5.

Maintenant, si je travaillais avec un seul modèle CPH, je ferais ceci:

validate(mod_1,B=20)

Le problème que j'ai est de savoir comment prendre les 5 modèles CPH (1 pour chaque imputation) et être capable de créer un modèle groupé que je pourrai ensuite utiliser avec rms. Je sais que le micepaquet a des fonctions de mise en commun intégrées mais je ne pense pas qu'elles fonctionnent avec l' cphobjet dans rms. La clé ici est de pouvoir continuer à utiliser rmsaprès la mise en commun. J'ai cherché à utiliser la aregImpute()fonction de Harrell mais j'ai du mal à suivre les exemples et la documentation; micesemble plus simple à utiliser.

La fit.mult.imputefonction dans le Hmiscpackage tirera des imputations créées à partir de la micemême manière qu'à partir de aregImpute. cphfonctionnera avec fit.mult.impute. La question la plus difficile est de savoir comment effectuer la validation par le rééchantillonnage lorsque vous effectuez également une imputation multiple. Je pense que personne n'a vraiment résolu cela. Je prends généralement la solution la plus simple et j'utilise l'imputation unique pour valider le modèle, en utilisant la Hmisc transcanfonction, mais en utilisant l'imputation multiple pour ajuster le modèle final et obtenir des erreurs standard.