【专题】10篇文章，从理论到操作，带你了解疾病预测模型！

很多小伙伴在微信后台都会问起“疾病预测模型”的内容，医咖会陆续发过一些文章，今天我们就总结一下医咖会曾发过的“疾病预测模型”相关的文章，方便大家收藏，在遇到问题及时查看。

（注：以下显示蓝色的小标题，可以直接点击来查看文章详情）

疾病预测模型听起来很高大上，其实也很简单，比如常见的Logistic回归模型。搭个模型，首先得找到重要的预测变量X。确定了潜在的预测变量，下一步就要选择一个恰当的统计模型来说明预测变量与结局事件的关系。一般情况，需要结合现在手里可用的数据和我们的研究目的，构建1-2个统计模型。

采用单因素分析进行影响因素的筛选时，应注意适当调整检验水平（P<0.05并不是万能的，影响因素的探索性分析可以适当放开检验水准，比如设定为α=0.10 or 0.15），并结合临床专业（变量与结局之间的关系临床上是否讲得通），选择纳入多因素分析的变量。

模型的好坏可以从区分度（Discrimination）和校准度（Calibration）两方面考虑，前者可通过ROC曲线下面积（AUC）或C统计量来评价，后者可通过Hosmer-Lemeshow检验或校准图来评价。

点击下方链接，可以查看超级详细的SPSS操作教程：

对于两个疾病风险预测模型，应该选用哪一个模型更靠谱呢，应该如何比较两个疾病模型的预测能力呢？这篇文章就向大家介绍一个老朋友AUC和一个新朋友NRI。

NRI的不足之处在于它只考虑了设定某个切点时的改善情况，不能考察模型的整体改善情况，此时我们就需要用到另一个指标，NRI的孪生兄弟--综合判别改善指数（Integrated Discrimination Improvement，IDI）。

常见的风险评分应用一般有三种形式：第一种，热图（heatmap）；第二种，评分系统（points system）；第三种，列线图（nomogram）。

列线图（Alignment Diagram），又称诺莫图（Nomogram图）。列线图将复杂的回归方程，转变为了可视化的图形，使预测模型的结果更具有可读性，方便对患者进行评估。

如何将自己构建的预测模型转化为风险评分工具，似乎是一个难题。这篇文章就以多因素Logistic回归模型为例，给大家逐步解密，教会大家也能做出这种高大上的疾病评分工具。

有时我们在研究中要考虑事件发生的时间因素，需要采用Cox回归来构建疾病预测模型，这篇文章就来介绍基于Cox回归模型构建疾病风险评分工具的方法。

你还想学习哪些内容？请在留言中留下你对医咖会的期望吧！

更多阅读

医咖会微信：medieco-ykh

关注医咖会，提升临床研究水平~

快加小咖个人微信（xys2018ykf），拉你进统计讨论群和众多热爱研究的小伙伴们一起交流学习。

点击左下角“阅读原文”，看看医咖会既往推送了哪些统计教程。或者使用电脑打开网址：http://www.mediecogroup.com/，查看70种SPSS教程。