|
本文首发于 ”百味科研芝士“ 微信公众号，转载请注明：百味科研芝士，Focus科研人的百味需求 从这一期开始打算更新预测模型的临床研究，因为我一直对这个研究模式特别感兴趣，而且我也以“clinical prediciton models”为关键词，在pubmed搜了下，从1964年发了第一篇以后开始，到了2010年开始就呈现井喷式发展，我做了个年份跟发表篇数的图。
在精准医学提出之前，循证医学研究曾经火热一时。但是循证医学也存在诸多缺陷或不足，如其强调证据最优化从而导致追求最佳证据的过度化和绝对化；过度重视最佳证据的普遍性，往往会导致普遍性与特殊性之间的巨大矛盾；忽视最佳证据获取过程中的缺陷，如人为因素的干扰、疾病诊断的不准确、疾病评估及分期模糊；过分强调了统计学分析的效力，降低了疾病的深层机制和临床共识的权重,容易被有偏倚的数据左右。 为了克服以上缺点，学者们重新思考疾病的本质，颠覆以症状、部位、器官为疾病诊断依据的体系，将基础研究的成果与临床结合，找到疾病的驱动因子，将疾病更加科学地分类及诊断，从而克服目前EBM证据获得过程中的某些缺陷，实现对疾病的精准诊断、精准评估，以达到对疾病的精准预防及治疗。随着人类基因组计划的完成以及遗传学、基因组学、蛋白组学等学科的发展，精准医学应运而生，临床决策进入了新时代。精准医学针对每个患者的个体特征定制治疗方案，根据特定患者对特异性疾病的易感性、特异性疗法和预后进行亚群分类， 从而采取相应的预防、治疗、干预措施。 而最近逐渐火热的预测模型的临床研究恰好正是迎合了精准医学的研究思维模式，因为预测模型在基因组学，蛋白组学等各个技术手段的发展下，正是可以通过一定的统计学筛选手段构建一个对疾病预后预测最佳的模型，从而对病人某些特定群体以及个体化医疗提供证据。 2014年在European Heart Journal发表了一个statistical tutorial，标题为Towards better clinical prediction models: seven steps for development and an ABCD for validation (PMID:24898551)。这篇文章提到目前有大量的方法论文献，但大多数预测模型文章都存在方法上的缺点，或至少报告不好。所以他们提出了一种更完善的模型开发和验证的系统方法，通过预测患有心肌梗塞的患者30天死亡率进行举例说明。他们将简单模型（只包括年龄）与更复杂的模型（包括年龄和其他关键预测因子）进行比较，看看这两个模型在预测效能上有什么区别。文章中主要提到了7步构建模型以及ABCD法验证模型的总体思路。我接下来会以这篇文章的内容为大致纲要主线，并以此来拓展整个临床预测模型该怎么做，怎么分析以及变量操作的一系列问题。 我们都知道，在临床研究领域，任何研究都有一个指南啊，比如观察性研究的strobe指南，那我们预测模型文章也有一个报告规范，在2015年BMJ发表了TRIPOD statement的论文，指出对于疾病诊断和预后的预测模型，应该有统一的报告规范，即TRIPOD声明。TRIPOD声明包括TRIPOD清单和TRIPOD阐述文档，清单的详细内容如下：
为了方便理解，我选取European Heart Journal发表文献的案例来进行讲解。 案例：预测急性心肌梗死患者30天的死亡率 在整个案例中，所用到的数据集来自于GUSTO-I 试验数据，他们选取在美国就诊的患者中发展预测模型（n = 23 034，死亡人数为1565，其中一小部分数据集为n = 259，死亡人数为20）。并且在美国以外的患者中验证了这些模型（n = 17 796，死亡人数为1286）。 第一个模型仅包括年龄作为逻辑回归分析中的连续线变量，而稍微复杂的模型包括年龄，Killip分级，收缩压和心率。 此外，这篇文章还提到一个网站，有案例数据进行模型构建和验证，我觉得是一个学习价值非常高的平台：http://www./。大家有空可以取学习一下。界面也很友好：
里面有数据集，R语言的代码等等，我这里不详细细说，有空大家可以操作一试~~ 重新回到重点，7步构建模型的方法，那篇文章列出的7步，主要是以下7步： Step 1: Problem definition and data inspection Step 2: Coding of predictors Step 3: Model specification Step 4: Model estimation Step 5: Model performance Step 6: Model validity Step 7: Model presentation 具体如下图：
ABCD法进行验证模型： A: Alpha: calibration-in-the-large B: Beta: calibration slope C: Concordance statistic: discrimination D: Decision-curve analysis 具体如下图：
这次就先提出个大概，每一步的如何做如何分析，如何构建和验证我会在接下来陆续整理推出。敬请期待~~ |
|
|
