【专题】13篇文章，从理论到操作，带你了解疾病预测模型！

很多小伙伴都很关注“疾病预测模型”相关内容，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）

临床预测模型作为风险与获益评估的量化工具，可为医生、病人以及医疗政策制定者的决策提供更为直观理性的信息，因此其应用也越来越普遍。本文从临床预测模型的概念、应用场景以及研究思路三个方面做一总结。

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。

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。

预测模型是基于变量之间的相关关系，通过一个或几个变量预测另一个变量的分析方法。我们可以根据自变量（预测变量或解释变量）预测因变量（应答变量或结局变量）。

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。

由于实际的临床研究中，变量之间关系复杂，因变量和自变量之间并非呈现线性关系，如果强行建立线性回归模型，就会影响模型的预测准确性。对于此类数据，应该如何处理呢？本文以临床医生的角度，通过案例分析，结合R软件来讲解如何建立非线性回归模型。

更多阅读

医咖会微信：medieco-ykh

关注医咖会，及时获取最新统计教程