預判模型 | 臨床預判模型的創(chuàng)建與驗證

模型 |臨床預測模型制定檢查表的詳細說明

你的預測模型文章報告標準嗎？

現在我們對臨床預測模型的概念有了基本的了解，那么如何構建和驗證呢？在本節(jié)中，我們將討論這一方面。

臨床問題決定研究類型:

首先要明確具體的臨床問題來確定研究類型的選擇。臨床預測模型可以回答疾病的病因、診斷、患者對治療的反應、預后等問題。不同的問題需要設計不同的研究類型。

例如，在病因學研究中，隊列研究可用于根據潛在原因預測疾病的發(fā)生。關于診斷準確性的臨床問題，適合采用橫斷面研究設計，因為預測因素和結果可能同時發(fā)生，也可能在短時間內發(fā)生。

為了預測患者對治療的反應，可以使用隊列研究或隨機對照試驗(RCT)。對于預測性的臨床問題，隊列研究的設計是適用的，因為在預測因素和結果之間存在垂直的時間邏輯關系。評價病因的隊列研究需要選擇合理的研究對象，控制混雜因素。

在診斷模型的研究中，需要一個“金標準”或參考標準來獨立診斷疾病，參考標準的診斷要在“盲法”狀態(tài)下進行。也就是說，參考標準診斷不能依賴預測模型中預測因子的信息，以避免診斷和評價的偏差。

評估患者對治療的反應是一種干預研究。要選擇合理的研究對象，控制非測試因素的干擾。在預后模型中，預測因子和轉歸之間存在垂直關系，研究者通常期望得到疾病在自然狀態(tài)下的轉歸。因此，前瞻性隊列研究是最常見的預后模型和最佳類型的研究設計。

模型版本的數量:

首先，我們需要查看文獻，以確定我們想要構建的預測模型的數量:

(A)目前沒有針對具體臨床問題的模型預測。為了構建一個新的模型，通常需要一個訓練集來構建模型，還需要一個驗證集來驗證模型的預測能力。

(2)目前有模型的預測。構建新的模型，用一個驗證集構建新的模型，用同一個訓練數據集分別驗證現有模型和新模型的預測能力。

(C)為了更新現有的模型，使用相同的驗證數據集來評估這兩個模型的預測能力。

關于訓練數據集和驗證數據集的生成，可以前瞻性地或追溯性地收集數據，并且前瞻性地收集的數據具有更高的質量。對于建模人群，樣本量應該盡可能大。

如果數據是回顧性收集的，還應評估數據的質量，識別異常值，并適當處理缺失值，如填充或刪除。

最后，根據實際情況，確定用于建模的訓練數據集和用于驗證的驗證數據集。出于實際原因，有時只能在同一個數據集中建模和驗證，這是允許的，但模型的外部適用性會受到一定影響。

模型的建立和展示:

在建立預測模型之前，需要了解以往文獻報道的預測因子，確定選擇預測因子的原則和方法，選擇要應用的模型類型，如logistic回歸模型或Cox回歸模型。目前，預測模型通常有四種形式:

(1)公式。用直接的數學公式作為預測模型的工具。

(2)諾模圖的諾模圖。通過適當的數學變換，將回歸模型中的回歸系數轉換成分數，繪制成諾謨圖，作為預測模型的工具。

(3)網絡計算器。其本質是通過適當的數學運算，將回歸模型中的回歸系數轉化為分數，并制作成網站供在線使用。

(4)評分系統。通過適當的數學運算，將回歸模型的回歸系數轉化為可量化的評分體系。

臨床預測模型的驗證:

模型預測的效果會隨著應用場景和人的變化而變化。因此，對模型預測的完整研究應該包括對模型的驗證。驗證的內容包括模型的內部效度和外部效度。內部效度反映的是模型的可重復性，可以用自己的研究數據通過交叉驗證和Bootstrap方法進行驗證。外部效度反映的是模型的普適性，需要使用非來自研究本身的數據集進行驗證，并且這些數據集在時間或地理上相互獨立。

模型的內部驗證和外部驗證是評估模型穩(wěn)定性和適用性的必要步驟。用于內部驗證和外部驗證的數據集應該是完全異構的，而不僅僅是在某種程度上不同。一般以原機構的數據作為訓練集建立模型，隨機選取部分內部數據進行內部驗證。選擇其他機構的數據作為外部驗證數據集。當然，最好是驗證外部數據集。以下是一些驗證內部效度的方法。

(1)隨機分裂法?，F有數據隨機分為兩部分，一部分用于構建模型，一部分用于驗證模型。這種方法將數據分為兩部分進行“內部驗證”。由于只有一部分數據用于構造模型，模型相對不穩(wěn)定。樣本量小的研究通常不適合這種方法。

(2)交叉驗證法。這種方法是隨機分裂法的進一步推廣。常用的有半折交叉驗證和十折交叉驗證。半折交叉驗證法將原始數據分為兩部分，一部分用于建立模型，另一部分用于驗證模型。然后交換兩部分的數據，互相驗證。十重交叉驗證法將數據分為十部分，其中九部分用于建模，另一部分用于模型驗證。這樣建立和驗證模型十次，就可以建立一個相對穩(wěn)定的模型。

(C)自助法。傳統的Bootstrap內部有效性驗證方法是在原始數據集中隨機選取一定數量的樣本建立模型，然后用原始數據集對模型進行驗證。通過500-1000次的隨機抽樣、建立和驗證，可以得到500-1000個模型，總結出模型的參數分布。因此可以確定模型的最終參數值。實踐證明，這種方法得到的模型比前兩種方法更穩(wěn)定?？梢酝茰y，Bootstrap方法將越來越多地用于驗證模型的內部效度分析。當然，在條件允許的情況下，要盡量對外驗證預報模型，提高模型的對外適用性。

目前，臨床預測模型的研究從臨床醫(yī)生的角度大致可以分為三類:

1.預測模型是根據傳統的臨床特征、病理特征、體檢結果、實驗室檢查結果等構建的。這種模型中的預測變量在臨床上更容易獲得。

2.隨著影像學研究方法的成熟，越來越多的學者認識到影像學的某些表現或參數代表了特定的生物學特征。利用彩色多普勒超聲、CT、MR和PET的大量成像參數結合臨床特征構建預測模型往往可以進一步提高預測模型的準確性。這種建模是基于成像數據的。這種建模的前期工作要比第一種方法大得多，需要臨床和影像部門的密切配合。

3.隨著基因組學和蛋白質組學等高通量生物技術的廣泛應用，臨床研究人員正試圖從這些海量的生物信息中尋找一些特征生物標志物來構建預測性模型。這些對模型的預測是將基礎醫(yī)學轉化為臨床醫(yī)學的一個很好的起點。但由于需要對臨床標本進行各種組學試驗，這類研究往往需要強大的資金支持。一旦你愿意投入組學分析的研究，就可以很好的轉化為臨床研究，一般都能出高分文章。此外，還必須有生物樣本支持。

從臨床醫(yī)生角度構建臨床預測模型的必要條件；

1.建立單病種隨訪數據庫，盡可能完整地收集患者信息，包括但不限于:人口學特征、既往病史、家族史、個人病史；與疾病有關的信息，如治療前重要的生理和實驗室檢查結果、疾病的嚴重程度、臨床分期、病理分期和組織學分級；治療信息:如手術方法、放化療方案、劑量和強度；患者的預后:對于癌癥患者來說，需要持續(xù)的隨訪才能得到結果，這是一項極其困難和復雜的工作。