本文首發(fā)于 ”百味科研芝士“ 微信公眾號，轉載請注明：百味科研芝士，F(xiàn)ocus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(fā)了第一篇以后開始，到了2010年開始就呈現(xiàn)井噴式發(fā)展，我做了個年份跟發(fā)表篇數(shù)的圖。

在精準醫(yī)學提出之前，循證醫(yī)學研究曾經(jīng)火熱一時。但是循證醫(yī)學也存在諸多缺陷或不足，如其強調證據(jù)最優(yōu)化從而導致追求最佳證據(jù)的過度化和絕對化；過度重視最佳證據(jù)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(jù)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(tǒng)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(shù)據(jù)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(jù)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(jù)獲得過程中的某些缺陷，實現(xiàn)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(fā)展，精準醫(yī)學應運而生，臨床決策進入了新時代。精準醫(yī)學針對每個患者的個體特征定制治療方案，根據(jù)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(yī)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(fā)展下，正是可以通過一定的統(tǒng)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(yī)療提供證據(jù)。

2014年在European Heart Journal發(fā)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(shù)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(fā)和驗證的系統(tǒng)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(qū)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(guī)范，在2015年BMJ發(fā)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(tǒng)一的報告規(guī)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(fā)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(shù)據(jù)集來自于GUSTO-I 試驗數(shù)據(jù)，他們選取在美國就診的患者中發(fā)展預測模型（n = 23 034，死亡人數(shù)為1565，其中一小部分數(shù)據(jù)集為n = 259，死亡人數(shù)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(shù)為1286）。 第一個模型僅包括年齡作為邏輯回歸分析中的連續(xù)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(wǎng)站，有案例數(shù)據(jù)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(shù)據(jù)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(xù)整理推出。敬請期待~~