|
本文首發于 ”百味科研芝士“ 微信公眾號，轉載請注明：百味科研芝士，Focus科研人的百味需求 從這一期開始打算更新預測模型的臨床研究，因為我一直對這個研究模式特別感興趣，而且我也以“clinical prediciton models”為關鍵詞，在pubmed搜了下，從1964年發了第一篇以后開始，到了2010年開始就呈現井噴式發展，我做了個年份跟發表篇數的圖。
在精準醫學提出之前，循證醫學研究曾經火熱一時。但是循證醫學也存在諸多缺陷或不足，如其強調證據最優化從而導致追求最佳證據的過度化和絕對化；過度重視最佳證據的普遍性，往往會導致普遍性與特殊性之間的巨大矛盾；忽視最佳證據獲取過程中的缺陷，如人為因素的干擾、疾病診斷的不準確、疾病評估及分期模糊；過分強調了統計學分析的效力，降低了疾病的深層機制和臨床共識的權重,容易被有偏倚的數據左右。 為了克服以上缺點，學者們重新思考疾病的本質，顛覆以癥狀、部位、器官為疾病診斷依據的體系，將基礎研究的成果與臨床結合，找到疾病的驅動因子，將疾病更加科學地分類及診斷，從而克服目前EBM證據獲得過程中的某些缺陷，實現對疾病的精準診斷、精準評估，以達到對疾病的精準預防及治療。隨著人類基因組計劃的完成以及遺傳學、基因組學、蛋白組學等學科的發展，精準醫學應運而生，臨床決策進入了新時代。精準醫學針對每個患者的個體特征定制治療方案，根據特定患者對特異性疾病的易感性、特異性療法和預后進行亞群分類， 從而采取相應的預防、治療、干預措施。 而最近逐漸火熱的預測模型的臨床研究恰好正是迎合了精準醫學的研究思維模式，因為預測模型在基因組學，蛋白組學等各個技術手段的發展下，正是可以通過一定的統計學篩選手段構建一個對疾病預后預測最佳的模型，從而對病人某些特定群體以及個體化醫療提供證據。 2014年在European Heart Journal發表了一個statistical tutorial，標題為Towards better clinical prediction models: seven steps for development and an ABCD for validation (PMID:24898551)。這篇文章提到目前有大量的方法論文獻，但大多數預測模型文章都存在方法上的缺點，或至少報告不好。所以他們提出了一種更完善的模型開發和驗證的系統方法，通過預測患有心肌梗塞的患者30天死亡率進行舉例說明。他們將簡單模型（只包括年齡）與更復雜的模型（包括年齡和其他關鍵預測因子）進行比較，看看這兩個模型在預測效能上有什么區別。文章中主要提到了7步構建模型以及ABCD法驗證模型的總體思路。我接下來會以這篇文章的內容為大致綱要主線，并以此來拓展整個臨床預測模型該怎么做，怎么分析以及變量操作的一系列問題。 我們都知道，在臨床研究領域，任何研究都有一個指南啊，比如觀察性研究的strobe指南，那我們預測模型文章也有一個報告規范，在2015年BMJ發表了TRIPOD statement的論文，指出對于疾病診斷和預后的預測模型，應該有統一的報告規范，即TRIPOD聲明。TRIPOD聲明包括TRIPOD清單和TRIPOD闡述文檔，清單的詳細內容如下：
為了方便理解，我選取European Heart Journal發表文獻的案例來進行講解。 案例：預測急性心肌梗死患者30天的死亡率 在整個案例中，所用到的數據集來自于GUSTO-I 試驗數據，他們選取在美國就診的患者中發展預測模型（n = 23 034，死亡人數為1565，其中一小部分數據集為n = 259，死亡人數為20）。并且在美國以外的患者中驗證了這些模型（n = 17 796，死亡人數為1286）。 第一個模型僅包括年齡作為邏輯回歸分析中的連續線變量，而稍微復雜的模型包括年齡，Killip分級，收縮壓和心率。 此外，這篇文章還提到一個網站，有案例數據進行模型構建和驗證，我覺得是一個學習價值非常高的平臺：http://www./。大家有空可以取學習一下。界面也很友好：
里面有數據集，R語言的代碼等等，我這里不詳細細說，有空大家可以操作一試~~ 重新回到重點，7步構建模型的方法，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 具體如下圖：
ABCD法進行驗證模型： A: Alpha: calibration-in-the-large B: Beta: calibration slope C: Concordance statistic: discrimination D: Decision-curve analysis 具體如下圖：
這次就先提出個大概，每一步的如何做如何分析，如何構建和驗證我會在接下來陸續整理推出。敬請期待~~ |
|
|
