没有基础科研条件?临床预测模型学习一波~

对大部分临床医务人员来说，由于本身的工作性质和条件限制，并且缺乏相应的研究基础和能力，把科研方向定位于基础研究基本不太可行。区别于高校的实验室研究，临床拥有其独特的优势和资源，即所有不同病种的患者的治疗过程以及随访的数据资料。可供临床医务人员从中挖掘用以研究和探讨，通过对已知信息的分析来解决临床中尚缺乏有效治疗方法的问题。这一过程也是经验医学到循证医学的进步与发展。而随着医疗体系不断的更新，以及与大数据时代的碰撞，从循证医学过渡到精准医学不仅是临床医学的一大创新，也是对其提出的更高要求，是一种逐步实现个体化医疗的可能。临床预测模型作为风险与获益评估的量化工具，可提供更多直观的科学信息，实现医务人员对患者进行个体化决策。此研究方法在近两年也开始越来越多的被普及及应用。

临床预测模型也称风险预测模型，预测模型或风险评分，是指利用数学公式估计特定个体患者当前患有某病或者将来可能发生某结局事件的概率。当前临床上使用的NRS2002营养风险筛查评分、CHA2DS2-VASC房颤患者卒中风险评分都属于临床预测模型的范畴。临床预测模型包括诊断模型和预后模型。诊断模型着重于预测当前患者患有某种疾病的概率，预后模型关注于当前健康状态下的患者在未来一段时间内发生某结局事件(发病、复发、死亡、并发症)的概率。小编整理了一篇临床预测模型范文进行解读。

1. 临床预测模型文章范例解读

由于小编是做肾内方向的相关研究，所以关注较多的是各种肾脏病患者方向的研究。这是一篇2021年8月发表在JASN杂志的文章，IF=9.274.其实这篇文章的选题来源于实际临床遇到的问题。小编在临床跟医生一起查房的过程中，遇到很多肾病综合征的患者对单纯激素治疗的效果并不理想，从而改变治疗方案。而这篇文章的研究思路和小编想的非常的接近。接下来我们一起走进这篇文章，感受下他是怎么基于现实临床问题来设计并完成一项临床研究。

IgA肾病是肾病综合征其中一种病理类型，免疫抑制治疗是其主要的治疗方法。现今，面对许多不同机制的免疫抑制剂，临床医生在选择治疗方案时应考虑患者疾病的进展，权衡患者对此治疗方案预期的疗效及不良反应。此研究建立了预测模型预测IgA患者使用免疫抑制剂疗法的治疗效果。

首先此研究通过筛选入组了621名使用免疫抑制治疗6个月的IgA肾病患者，按7：3比例分成建模集和验证集。

对621名患者进行一般资料及检验检查指标的收集。以对免疫抑制剂是否有治疗效果为因变量/结局事件，以一般资料(年龄、性别、BMI等)、Oxford MEST评分、CD68+、CD206+、CD3+为自变量，筛选影响患者疗效的独立影响因素。

通过单因素、多因素、逐步向后回归的方法筛选独立影响因素，并将各因素因素进行模型建立，采用受试者工作特征曲线（ROC）下面积（AUC）来比较各个模型的区分度，最终选择较优的模型。

此研究最终将CD206+，CD68+，年龄，eGFR、T1、T2纳入模型，采用公式对模型进行展示。用ROC曲线对模型进行验证，建模集的ROC为0.87，验证集的ROC为0.87。临床医务人员可将患者信息带入公式，预测患者对免疫抑制治疗具有疗效的概率。

这篇文章选题具有现实临床意义，结构良好，但小编认为这篇文章在模型验证和可视化上还可以做的更好。接下去，大致跟大家解析下预测模型的基本套路。

2. 临床预测模型文章套路解析

通过对范文的解读，我们可以理出临床预测模型的大致思路

确定选题，患者入组

根据选题，确定因变量，也就是患者结局事件，确定自变量，根据因变量和自变量对患者进行数据资料的收集。将患者按一定比例分为建模集和验证集。

模型建立

这一阶段采用建模集的人群，利用单因素、logistic回归分析或者Lasso筛选影响患者结局事件的独立影响因素，将最后筛选的独立影响因素进行建模。采用Hosmer-lemeshow检验建立的模型是否成功。

模型验证

这一阶段需使用建模集和验证集的人群对模型进行验证，验证指标和内容主要为，ROC曲线验证模型区分度，校正曲线验证模型准确度，临床决策曲线。

模型可视化

最后模型的展示可以直观的供临床医务人员对个体患者进行某结局事件发生的概率预测。此展示方式可以是公式，也可以是nomo图。

小编最后将相关的分析和评价方法以的方式进行展示。

Lasso回归分析：

ROC曲线：

校正曲线：

临床决策曲线

模型可视化：Nomo图

3. 总结

临床预测模型对临床医务人员来说，是可以充分利用自身优势来进行研究并且发表文章和申请课题的方式。

如有侵权，请联系本站删除！