|
很多人看到这篇文章时，临床研究已经结束了，扩大样本量是不可能的了，改实验设计是不可能的了。但有没有什么方法，可以把临床研究精装修一下？有的！老原则，有图有真相，加上几张统计图，临床文章立马易读多了。
数据可视化是各类文章的潮流。信息爆炸时代，大家很难有时间仔细看文字。简洁有力的图片，把临床研究结果。 什么是数据可视化？又是个唬人的大词。实际上就是把数据画成图而已。最简单的柱状图就是可视化的一种。当然我们发文章嘛，总要搞得再高大上 那么一点点，那就加个列线图吧。临床研究常用到多因素回归分析。一个列线图，迅速将文章水平提高了一分。 列线图（Alignment Diagram），又称诺莫图（Nomogram图），它是建立在多因素回归分析的基础上，将多个预测指标进行整合，然后采用带有刻度的线段，按照一定的比例绘制在同一平面上，从而用以表达预测模型中各个变量之间的相互关系。 列线图的基本原理，简单的说，就是通过构建多因素回归模型（常用的回归模型，例如Cox回归、Logistic回归等），根据模型中各个影响因素对结局变量的贡献程度（回归系数的大小），给每个影响因素的每个取值水平进行赋分，然后再将各个评分相加得到总评分，最后通过总评分与结局事件发生概率之间的函数转换关系，从而计算出该个体结局事件的预测值。 列线图将复杂的回归方程，转变为了可视化的图形，使预测模型的结果更具有可读性，方便对患者进行评估。正是由于列线图这种直观便于理解的特点，使它在医学研究和临床实践中也逐渐得到了越来越多的关注和应用。 如何解读列线图？ 我们以《The diagnostic value of white blood cell, neutrophil, neutrophil-to-lymphocyte ratio, and lymphocyte-to-monocyte ratio in patients with primary angle closure glaucoma》文章中的列线图为例，看看如何看懂这个图。
列线图的名称主要包括三类： 1. 预测模型中的变量名称：例如图中的眼压，杯盘比等信息，每一个变量对应的线段上都标注了刻度，代表了该变量的可取值范围，而线段的长度则反映了该因素对结局事件的贡献大小。 2. 得分，包括单项得分，即图中的Point，表示每个变量在不同取值下所对应的单项分数，以及总得分，即Total Point，表示所有变量取值后对应的单项分数加起来合计的总得分。 3. 预测概率：例如图中的Risk，表示患闭角型青光眼的风险。 临床上，你只需要将所有变量的得分相加，得到患者的总得分（Total Points），并以总得分为基础，再向下画一条垂直线，就可以知道该患者罹患患闭角型青光眼的概率了。有了这张图，年轻医生秒变老中医。 如何画列线图？ 需要R语言。我们后面第27讲会详细介绍如何用R语言画图。这里简单谈一下方法。 R软件中的rms程序包，为我们提供了相应的函数功能，绘制列线图最基本的程序代码： 1. 加载survival和rms程序包，以survival包中自带的数据库lung为例 library(survival) library(rms) data(package='survival') 2. 打包数据 dd<-datadist(lung) options(datadist='dd') 3. 构建COX比例风险模型 f2 <- psm(Surv(time,status) ~ age+gender+grade,data = LIHC, dist='lognormal') med <- Quantile(f2) # 计算中位生存时间 surv <- Survival(f2) # 构建生存概率函数 4 绘制列线图 nom <- nomogram(f2, fun=function(x) med(lp=x),funlabel='Median Survival Time') R语言绘图的最大优点就是可以通过调整代码，得到漂亮的图片。你可以反复修改各个参数，得到最优的图片。在后面的第27讲我们还会详细介绍。 列线图只是临床数据可视化的一种。写文章时可以根据自己的研究，选择合适的图片，将数据变成图，更加直观地呈现出来。
|
|
|
