临床预测模型(一)研究思路

在临床工作中,我们时常会接受患者的“灵魂拷问”,比如 “医生,得了这个病以后会怎样?”,“医生,我这个病有多大可能可以治好?”等等。相信此时许多小伙伴的表情应该是这样的

作为一个一线小医生,在没有丰富的临床经验的情况下,这时候多希望自己能开开天眼,算算病人的预后怎么样。

实际上,研究的先行者们早已经考虑到并构建了方法学来解决这个问题——临床预测模型

在临床工作中,我们也时常会用到预测模型来评价患者的风险,如经典预测10年心血管事件风险的Framingham risk score和指导房颤患者抗凝的CHA2DS2-VASc评分。

临床预测模型是基于疾病的特征表型建立统计模型,用来预测具有某些特征的人群未来某种结局事件发生的概率。

主要包括疾病诊断预测模型疾病预后预测模型两种形式。

今天我们就以2019年发表在European Heart Journal (IF=22.673) 的文献为例了解临床预测模型的构建方法[1]。

预测模型构建思路
确定研究问题

预测模型的价值在于提供特定临床场景下患者预后的循证依据,因此在设计模型前,应当确定好研究人群,预测因子及研究终点。

为了使模型能普遍应用,预测因子应当容易测量、准确;

为了使模型能更有价值,应当关注临床最关注的结局,如死亡、疾病复发等。

本文研究问题:预测无室性心律失常(VA)病史的致心律失常性右室心肌病(ARVC)患者发生持续室性心律失常的风险,从而指导预防性ICD植入的决策。

预测模型构建思路
选择建模方法

 

预测模型构建的方法主要包括参数化模型,半参数化模型和非参数化模型。

 

参数化模型和半参数化模型主要是基于传统的回归来实现,可解释性较好,但需要满足回归模型的诸多前提条件;非参数化模型以数据为出发点,包括多种机器学习方法,性能往往较好,但可解释性往往较差。

该研究为预后模型,包含有事件-时间变量,因此作者采用了COX比例风险回归模型作为建模方法。

预测模型构建思路
预测因子筛选及预处理

预测因子的筛选目的是在海量的因子中,排除掉预测效能差或者不相关的因子,筛选出强预测因子,作为后续预测模型建立的基础。

同时,还要根据变量的实际情况进行量纲转换。

以单因素回归分析为例,通过将待选预测因子与终点事件逐个进行单因素回归分析,筛选出达到设定阈值(如P=0.10)的因子纳入后续模型构建步骤。

该研究采用了单因素COX回归分析进行预测因子的初筛,作者选择的9个预测因子在单因素分析中全都达到筛选条件(P < 0.05)。

预测模型构建思路
构建预测模型

在经过单因素分析筛选出待选预测因子之后,我们就可以开始构建预测模型了。

将待选预测因子放进模型中,根据需要选择下图中的模型检验方法,便可以获得最终的模型,每个变量的权重为其在模型中的系数(β值)。

其他可供选择的模型检验方法还有AIC准则,BIC准则等。

在该研究中,作者基于Akaike’s Information Criterion,采用后退法进行多因素COX回归分析,最终筛选出8个最重要的预测因子建模。

依据该模型构建的5年室性心律失常风险计算公式如下图所示

预测模型构建思路
评价预测模型

在构建好模型之后,我们需要对模型的表现进行综合评价,包括模型的区分度,校准度及临床有效性。

具体的评价指标如下图所示:

该研究计算了模型的C-index以反映模型的区分度(C指数0.77 (95% CI 0.73–0.81)),同时采用校准图对模型的校准度进行评价。

作者进一步绘制了DCA曲线评价模型的临床有效性。决策曲线分析法表明,该评分模型相比目前认可的ICD植入算法,有明显的净获益(2.5%-27.5%)

预测模型构建思路
验证预测模型

基于训练集构建的模型是否具有良好的外推性尚不清楚,评价模型在验证集的表现显得尤为重要。

因此在模型构建时就应当事先设定好训练人群和验证人群,评价的指标与步骤5相同。

该研究采用的是bootstrap自助抽样法进行内验证。

预测模型构建思路
呈现预测模型

在构建好预测模型之后,研究者往往可以通过多种方法进行呈现,如公式法(即本研究所提供的概率计算方程),列表法,列线图(Nomogram图),网页计算器、APP等。

总的来说,临床预测模型就是借用合适的统计模型,通过对现有研究数据的观察,总结出特定临床场景下某终点发生概率的规律性。

借助临床预测模型,医生可以精准地诊断疑难杂症或预测患者的预后,从而为临床决策提供依据。

参考文献
[1] Cadrin-Tourigny J, Bosman LP, Nozza A, et al. A new prediction model for ventricular arrhythmias in arrhythmogenic right ventricular cardiomyopathy. Eur Heart J. 2019;40(23):1850-1858. doi:10.1093/eurheartj/ehz103
临床预测模型

临床预测模型:计算nomogram预测总分并进行危险分层

2020-8-12 23:40:54

写作与投稿

论文(尤其是英文文章)写作中应注意的动物伦理学问题

2019-10-15 21:01:48

加入Q群
0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
今日签到
有新私信 私信列表
搜索