Cuando hablamos de modelos de predicción clínica, ¿de qué estamos hablando?

2. Recoja datos clínicos

3. Elija métodos estadísticos apropiados

4. Elija el software estadístico apropiado

5. Evaluar los resultados y utilizar conocimientos profesionales para responder preguntas científicas.

Este framework es realmente útil. He estado estudiando estadística indirectamente durante más de un año y siento que este marco es la verdadera habilidad. Compare siempre su trabajo estadístico con estos cinco puntos, para que no descubra que le faltan datos en medio del trabajo y luego comienza de nuevo, o no sabe cómo terminar el trabajo en el medio.

Yo mismo cavé el hoyo. Lo único que tengo que hacer es elegir un camino fácil, un camino sin obstáculos.

En este marco, lo más difícil es plantear una pregunta científica, que muchas veces es ignorada por los demás.

La tercera y cuarta etapa son la etapa de presentación de resultados.

Después de charlar, iniciamos el modelo de predicción clínica del agua. Cuando vi la cuenta oficial de WeChat "fácil de entender", pensé que era mejor, así que no pude evitar querer escribir algo yo mismo. Después de todo, llevo más de un año pescando y todavía tengo que escribir un artículo decente. Tengo que hacer algo para aliviar mis talentos que no tienen dónde liberarse, por lo que planeo publicar una serie de notas sobre la construcción de modelos clínicos basadas en mi ruta de aprendizaje y las necesidades del proyecto.

Las explicaciones y ejemplos de modelos de predicción clínica en "Fácil de entender" son realmente fáciles de entender. ¿Qué es el modelo clínico?

El modelo clínico, considérelo como y=ax+b, predice la altura del niño, tal como lo encontramos en el examen pediátrico, brindándole algunos huesos para predecir la edad del niño. De dónde proviene esta fórmula y si es confiable es una gran parte de la construcción del modelo.

El punto académico es la construcción y evaluación del modelo. En las estadísticas de datos clínicos médicos, a menudo utilizamos regresión lineal, regresión logística, regresión de Cox y otros métodos.

Cuando tengamos los datos recopilados, comenzaremos a construir un modelo predictivo. La primera pregunta que enfrentamos es ¿qué factores deben seleccionarse para el análisis?

El profesor Zhou Zhirui dio tres principios para esta situación:

1. Cuando el tamaño de la muestra es lo suficientemente grande (al menos 20 pacientes para cada factor de investigación, por ejemplo, quiero estudiar). 20 factores, por lo que tengo más de 400 pacientes), luego se proporcionan 7 métodos de detección variables en regresión logística y regresión de Cox en el software SPSS, puede elegir a voluntad;

2. no es suficiente, entonces el enfoque habitual en este momento es la regresión de Cox de un solo factor (consulte las referencias 4 y 5 para obtener más detalles). Use spss para hacer un poco, ingrese todos los factores y luego haga clic en regresión de cox para ver el valor de P y coloque el valor de P

3. pero hay una clara importancia clínica. Por ejemplo, la puntuación de Gleason del cáncer de próstata, los resultados del análisis univariado y la experiencia clínica conocida determinan las variables que se incluirán en la ecuación de regresión.

Las "Ideas de investigación de tres modelos de pronóstico" resumidas por el maestro Zhou Zhirui son realmente extensas y completas.

Paso 1. Primero, examine los factores independientes que afectan el bajo rendimiento y construya un modelo de regresión logística;

El segundo paso es dibujar el Nomograma;;

El tercer paso. Calcule el estadístico C discriminante para el modelo. Hay tres formas de calcular su estadístico C.

Paso 4. El modelo se validó mediante remuestreo y se trazó una curva de calibración.

Paso 1. Primero, utilizamos la regresión de Cox para construir un modelo de predicción y seleccionar factores de pronóstico independientes (el conjunto de datos utilizado para el modelado generalmente se denomina conjunto de entrenamiento o conjunto de datos internos).

El segundo paso. Utilizamos estos tres factores de pronóstico independientes para dibujar un nomograma y se completó el modelado.

Paso tres. Evalúe la discriminación del modelo de predicción construido en los dos pasos anteriores y calcule el índice C.

Paso 4. Validar el modelo, que se puede validar con conjuntos de datos externos. Si no hay un conjunto de datos externo disponible, recomiendo utilizar el método de muestreo Bootstrap, validar el modelo con el conjunto de entrenamiento y trazar la calibración.

Cálculo del índice C, proceso de dibujo de nomogramas, modelo de validación del método Bootstrap y dibujo de curva estándar en el modelo de regresión de Cox

El índice de reclasificación neta (NRI) se utilizó originalmente para evaluar pruebas de diagnóstico. cambio en el nuevo índice de diagnóstico en comparación con el antiguo índice de diagnóstico.

El índice de mejora discriminante integral (idi) se utiliza para juzgar el grado de mejora del modelo de predicción.

Análisis de curva de decisión: Encuentre el modelo que puede predecir el máximo beneficio neto.

Validación de datos externos

Validación de remuestreo de datos internos

Esta es una habilidad real, al igual que la secuenciación unicelular. Algunas personas pueden enviar la secuenciación unicelular de 4 casos de cáncer de colon a Carolina del Norte, mientras que otras solo pueden escribirla en sus manos y nunca analizarla. Así, el Kung Fu se acumula en la vida diaria.

Materiales de referencia: