预判模型 | 临床预判模型的创建与验证

预判模型 | 临床预判模型开发checklist详解

你的预判模型文章报表是标准的吗？

既然前面咱们已然对临床预判模型的概念有了根本了解后，那么它详细怎样建立以及验证呢？本节咱们就研讨下这方面的内容。临床问题决议研发型号：

首选咱们要明确详细的临床问题决议研发型号的选取。临床预判模型可以答复疾病的病因、诊疗、患者对医治的反应和预后等问题。不同的问题须要设计不同的研发型号。

比如，在病因学研发方面，队列研发可以拿来依据潜在的原因来预判疾病能否爆发。对于诊疗确切性的临床问题，合适采取横断面研发设计，由于预判因子和结果能够同时爆发或在短时间内爆发。

为了预判患者对医治的反应，可以采取队列研发或随机对比实验(RCT)。针对预判类临床问题，设计队列研发是应用的，由于预判因子和结局有纵向的时间逻辑关系。评价病因的队列研发须要选取合理的研发目标和操控混同原因。

在诊疗模型的研发中，须要1个“金规范”或考虑规范来独立诊疗疾病，考虑规范的诊疗理应在“盲法”状况下进行。也就是说，考虑规范诊疗不可依托于预判模型中预判因子的数据，以以免显现诊疗评价误差。

评价患者对医治的反应是干预性研发的一类型号。须要选取合理的研发目标、操控非测验原因的搅扰。在预后模型中，预判因子与结局之间存在纵向关系，研发者往往希望获得疾病在自然状况下的结局，因而前瞻性队列研发是最常见的预后模型，也是最好的研发设计型号。建立模型的数目：

首先须要回首文献来确认咱们要建立的预判模型的数目:

（一）对于详细临床问题现在还没有预判模型。为了建立1个新的模型，往往须要1个训练集来建立模型，并须要1个验证集来验证模型的预判本领。

（二）现在已有预判模型。为了建立新的模型，应用验证集来建立新模型，并应用相近的训练信息集来分别验证现有模型和新模型的预判本领。

（三）为了刷新现有模型，应用相近的验证信息集来评价这2个模型的预判本领。

对于训练信息集和验证信息集的形成，可从前瞻性地或回首性地采集信息，此中前瞻性采集的信息拥有更高的品质。针对建模人群，样件量应尽能够大。

假设信息是回首性采集的，还理应评价信息品质，辨认离群值，并对缺失值进行恰当处置，如填充或删除。

最终，依据实际状况确认用来建模的训练信息集和用来验证的验证信息集。因为现实原因，偶尔只可在同一信息集中建模和验证，这是容许的，但模型的外部应用性会遭到绝对程度的影响。模型的创建与展现：

在创建预判模型此前，有必须了解往常文献报导中的预判因子，确认选取预判因子的准则和方式，并选取所需运用的模型型号，如logistic回归模型或Cox回归模型。现在，预判模型常用有四种展现形态:

（一）公式。直接应用数学公式作为预判模型工具。

（二）列线图Nomogram。通过恰当的数学变换将回归模型中的回归系数转换为分数，并将其绘制为诺模图作为预判模型工具。

(三) 网络计算器。其实质也是通过恰当的数学运算将回归模型中的回归系数转换成份数，并将其制造成网站供在线应用。

（四）评分体系。通过恰当的数学运算，将回归模型的回归系数转变为1个可量化的评分体系。临床预判模型的验证：

预判模型的成效会随着运用情景和人群的改变而改变。因而，对预判模型的完整研发理应含盖模型的验证。验证的内容含盖模型的内部有效性和外部有效性。内部有效性反映了模型的可反复性，可以用自身的研发信息通过交叉验证和Bootstrap方式来进行验证。外部有效性反映了模型的广泛性，须要应用不是来自研发自身的信息集进行验证，这类信息集在时间或地理上是互相独立的。

模型的内部验证和外部验证是评价模型安稳性和应用性的必须方法。用来内部验证和外部验证的信息集理应是完全异质的，不可只是在绝对程度上不同。通常状况下，应用原机构的信息作为训练集来创建模型，并随机抽取一部分内部信息进行内部验证。选取来自其余机构的信息作为外部验证信息集。固然，最佳是进行外部信息集验证。以下简介几种验证内部有效性的方式。

（一）随机拆分法。将现有信息随机分成两部分，一部分用来建立模型，另一部分用来验证模型。采取该方式将信息划为两部分进行“内部验证”。因为唯独一部分的信息用来建立模型，因而模型相对不安稳。样件量较小的研发往往不合适这类方式。

（二）交叉验证方式。这类方式是对随机拆分法的的进一步蔓延。常用的有半折交叉验证和十折交叉验证。半折交叉验证法是将起始信息分成两部分，一部分用来创建模型，另一部分用来验证模型。接着替换两部分的信息并互相验证。十折交叉验证法是将信息分成十部分，此中九部分用来建模，另一部分用来模型验证。用这类方式创建和验证模型十次，就可以建立1个相对安稳的模型。

（三）Bootstrap方式。传统的Bootstrap内部有效性验证方式是在起始信息集中有放回的随机抽取绝对数目的样件创建模型，接着应用起始信息集对模型进行验证。通过500-1000次的随机抽样、创建和验证，可以获得500-1000个模型，并可以总结出模型的参数散布。因而，可以确认模型的终极参数值。实践证实，该方式获得的模型比前两类方式拥有更高的安稳性。可以揣测，Bootstrap方式将越来越多地运用于验证模型的内部有效性解析。固然，在具有条件的状况下，应尽快对预判模型进行外部验证，提升模型的外部应用性。现在临床预判模型的研发从临床医师的角度大概可划为三大类：

1.预判模型是依据传统的临床特点、病理特点、体检结果、试验室检验结果等建立起来的，这种模型中的预判变量愈加便于从临床上获得。

2.随着影像组学研发方式的成熟，越来越多的学者意识到影像学的某类体现或参数代表了特定的生物学特点。应用彩色多普勒超声、CT、MR以及PET的批量成像参数结合临床特点来建立预判模型，通常可以进一步提升预判模型的确切性。此类建模基于影像组学信息。此类建模的初期工作量比第一类方式大得多，而且须要临床和影像部门之间的慎密协作。

3.随着基因组学和蛋白质组学等高通量生物技术的全面运用，临床研发职员正企图从这类海量的生物数据中寻找某种特点生物标志物来建立预判模型。这类预判模型是将根基医学转变为临床医学的1个较好的切入点，但因为须要对临床标本进行各类组学测验，这种研发通常须要强有力的资金支持。一经乐意投入资金进行组学解析的研发，可以较好地转变为临床研发，通常可以产出高分文章。另外，还必要要有生物样件的支持。从临床医师的角度建立临床预判模型的所需条件：

1.创建单一疾病的随访信息库，尽能够完整地采集患者数据，含盖但不局限：人口统计学特点、既往病史、家族史、个体病史；与疾病有关的数据，如医治前主要的生理和试验室检验结果、疾病的严重程度、临床分期、病理分期、组织学分级；医治数据：如手术方式、放化疗计划、剂量和强度；患者的预后：针对癌症患者，须要连续的随访才能获取其结果，这是一项极其艰难和高难的任务。

2.从往常刊登的预判模型文章来看，大部分全是基于回首性的信息，也有一小部分是基于前瞻性的信息。与随机对比研发相比，如此的研发更容易进行，况且它们属于咱们如今发起的现实世界研发行业。在过去，咱们过度注重了随机对比研发的主要性，而忽略了现实世界信息的较大价值。随机对比研发的信息无疑是品质最高的，但信息经过了严密的筛选，因而证据的外推是有限的。真正信息来历于咱们的平常临床实践，更广泛地反映了临床干预的有效性，证据拥有很好的外部应用性。但是，现实世界研发的最大问题是信息的品质参差不齐，有太多难以辨认的混同原因。因而，有必须用更高难的统计方式从高难的混同原因中找寻真象。

在这里，咱们须要解读混同原因是客观存在的，由于所有临床结果的爆发都不是单一原因的结果。针对混同原因有2个级别的校正。一类是试验设计阶段的校正，即顶层校正，即通过随机化和充足的样件量来均衡组间的混同原因。这也是随机对比研发盛行的原因：只需样件量充足，随机化准确，就能一劳永逸地解决混同原因问题。第二种状况是通过统计方式进行后续校正，明显没有随机对比研发校正的那么彻底，但第二种状况更靠近咱们临床实践的真正状况。

3.样件大小。因为现实研发中混同原因较多，须要绝对的样件量才能到达充足的统计效能，才能分辨混同原因对结果的影响。多变量解析筛选变量的1个简洁可行的准则是，假设多变量解析中含盖1个变量，则有效样件量应为20个，称为“1：20准则”。比如，咱们在做COX回归解析时，假设采集了8个与预后有关的变量，那么起码理应有160个患者爆发了咱们定论的终点事情，如灭亡。注重是起码160个灭亡患者，而不是160个患者，未显现终点事情的样件咱们通常不可称其为有效样件。

4.临床研发洞察力。创建临床预判模型是为了解决临床问题。要发掘有价值的临床问题，就须要进行全面阅读和临床实践。预判模型研发现在所面对的问题：

1.临床运用率低。首要原因是预判模型的临床运用须要在模型的确切性和简捷性之间获得平衡。假设有1个模型，它与TNM分期同样易于应用，但比TNM分期更确切，您会做出甚麽选取？

2.大多数临床预判模型全是基于回首性信息集来建立和验证的，很少在前瞻性信息中进行验证。因而，模型预判的安稳性相对较差。

3.大多数临床预判模型的验证全是基于内部信息。大多数文章唯独1个信息集。纵然有2个信息集，1个要建立，另1个要验证，但这2个信息集通常来自同1个研发中心。假设该预判模型的有效功能够进一步扩展到另1个研发中心的信息集，那么该模型的运用价值将会大大提升。考虑文献

Zhou ZR, Wang WW, Li Y, et al. In-depth mining of clinical data: the construction of clinical prediction model with R. Ann Transl Med. 2019;7(23):796. doi:10.21037/atm.2019.08.63