预判模型 | 临床预判模型的创建与验证

模型 |临床预测模型制定检查表的详细说明

你的预测模型文章报告标准吗？

现在我们对临床预测模型的概念有了基本的了解，那么如何构建和验证呢？在本节中，我们将讨论这一方面。

临床问题决定研究类型:

首先要明确具体的临床问题来确定研究类型的选择。临床预测模型可以回答疾病的病因、诊断、患者对治疗的反应、预后等问题。不同的问题需要设计不同的研究类型。

例如，在病因学研究中，队列研究可用于根据潜在原因预测疾病的发生。关于诊断准确性的临床问题，适合采用横断面研究设计，因为预测因素和结果可能同时发生，也可能在短时间内发生。

为了预测患者对治疗的反应，可以使用队列研究或随机对照试验(RCT)。对于预测性的临床问题，队列研究的设计是适用的，因为在预测因素和结果之间存在垂直的时间逻辑关系。评价病因的队列研究需要选择合理的研究对象，控制混杂因素。

在诊断模型的研究中，需要一个“金标准”或参考标准来独立诊断疾病，参考标准的诊断要在“盲法”状态下进行。也就是说，参考标准诊断不能依赖预测模型中预测因子的信息，以避免诊断和评价的偏差。

评估患者对治疗的反应是一种干预研究。要选择合理的研究对象，控制非测试因素的干扰。在预后模型中，预测因子和转归之间存在垂直关系，研究者通常期望得到疾病在自然状态下的转归。因此，前瞻性队列研究是最常见的预后模型和最佳类型的研究设计。

模型版本的数量:

首先，我们需要查看文献，以确定我们想要构建的预测模型的数量:

(A)目前没有针对具体临床问题的模型预测。为了构建一个新的模型，通常需要一个训练集来构建模型，还需要一个验证集来验证模型的预测能力。

(2)目前有模型的预测。构建新的模型，用一个验证集构建新的模型，用同一个训练数据集分别验证现有模型和新模型的预测能力。

(C)为了更新现有的模型，使用相同的验证数据集来评估这两个模型的预测能力。

关于训练数据集和验证数据集的生成，可以前瞻性地或追溯性地收集数据，并且前瞻性地收集的数据具有更高的质量。对于建模人群，样本量应该尽可能大。

如果数据是回顾性收集的，还应评估数据的质量，识别异常值，并适当处理缺失值，如填充或删除。

最后，根据实际情况，确定用于建模的训练数据集和用于验证的验证数据集。出于实际原因，有时只能在同一个数据集中建模和验证，这是允许的，但模型的外部适用性会受到一定影响。

模型的建立和展示:

在建立预测模型之前，需要了解以往文献报道的预测因子，确定选择预测因子的原则和方法，选择要应用的模型类型，如logistic回归模型或Cox回归模型。目前，预测模型通常有四种形式:

(1)公式。用直接的数学公式作为预测模型的工具。

(2)诺模图的诺模图。通过适当的数学变换，将回归模型中的回归系数转换成分数，绘制成诺谟图，作为预测模型的工具。

(3)网络计算器。其本质是通过适当的数学运算，将回归模型中的回归系数转化为分数，并制作成网站供在线使用。

(4)评分系统。通过适当的数学运算，将回归模型的回归系数转化为可量化的评分体系。

临床预测模型的验证:

模型预测的效果会随着应用场景和人的变化而变化。因此，对模型预测的完整研究应该包括对模型的验证。验证的内容包括模型的内部效度和外部效度。内部效度反映的是模型的可重复性，可以用自己的研究数据通过交叉验证和Bootstrap方法进行验证。外部效度反映的是模型的普适性，需要使用非来自研究本身的数据集进行验证，并且这些数据集在时间或地理上相互独立。

模型的内部验证和外部验证是评估模型稳定性和适用性的必要步骤。用于内部验证和外部验证的数据集应该是完全异构的，而不仅仅是在某种程度上不同。一般以原机构的数据作为训练集建立模型，随机选取部分内部数据进行内部验证。选择其他机构的数据作为外部验证数据集。当然，最好是验证外部数据集。以下是一些验证内部效度的方法。

(1)随机分裂法。现有数据随机分为两部分，一部分用于构建模型，一部分用于验证模型。这种方法将数据分为两部分进行“内部验证”。由于只有一部分数据用于构造模型，模型相对不稳定。样本量小的研究通常不适合这种方法。

(2)交叉验证法。这种方法是随机分裂法的进一步推广。常用的有半折交叉验证和十折交叉验证。半折交叉验证法将原始数据分为两部分，一部分用于建立模型，另一部分用于验证模型。然后交换两部分的数据，互相验证。十重交叉验证法将数据分为十部分，其中九部分用于建模，另一部分用于模型验证。这样建立和验证模型十次，就可以建立一个相对稳定的模型。

(C)自助法。传统的Bootstrap内部有效性验证方法是在原始数据集中随机选取一定数量的样本建立模型，然后用原始数据集对模型进行验证。通过500-1000次的随机抽样、建立和验证，可以得到500-1000个模型，总结出模型的参数分布。因此可以确定模型的最终参数值。实践证明，这种方法得到的模型比前两种方法更稳定。可以推测，Bootstrap方法将越来越多地用于验证模型的内部效度分析。当然，在条件允许的情况下，要尽量对外验证预报模型，提高模型的对外适用性。

目前，临床预测模型的研究从临床医生的角度大致可以分为三类:

1.预测模型是根据传统的临床特征、病理特征、体检结果、实验室检查结果等构建的。这种模型中的预测变量在临床上更容易获得。

2.随着影像学研究方法的成熟，越来越多的学者认识到影像学的某些表现或参数代表了特定的生物学特征。利用彩色多普勒超声、CT、MR和PET的大量成像参数结合临床特征构建预测模型往往可以进一步提高预测模型的准确性。这种建模是基于成像数据的。这种建模的前期工作要比第一种方法大得多，需要临床和影像部门的密切配合。

3.随着基因组学和蛋白质组学等高通量生物技术的广泛应用，临床研究人员正试图从这些海量的生物信息中寻找一些特征生物标志物来构建预测性模型。这些对模型的预测是将基础医学转化为临床医学的一个很好的起点。但由于需要对临床标本进行各种组学试验，这类研究往往需要强大的资金支持。一旦你愿意投入组学分析的研究，就可以很好的转化为临床研究，一般都能出高分文章。此外，还必须有生物样本支持。

从临床医生角度构建临床预测模型的必要条件；

1.建立单病种随访数据库，尽可能完整地收集患者信息，包括但不限于:人口学特征、既往病史、家族史、个人病史；与疾病有关的信息，如治疗前重要的生理和实验室检查结果、疾病的严重程度、临床分期、病理分期和组织学分级；治疗信息:如手术方法、放化疗方案、剂量和强度；患者的预后:对于癌症患者来说，需要持续的随访才能得到结果，这是一项极其困难和复杂的工作。