白癜风最好的医院 https://baike.baidu.com/item/%E5%8C%97%E4%BA%AC%E4%B8%AD%E7%A7%91%E7%99%BD%E7%99%9C%E9%A3%8E%E5%8C%BB%E9%99%A2/9728824

今天和大家分享的是今年发表在oncologist(IF=5.)上的预测模型文章，文章内容主要是收集多中心高级别消化道神经内分泌瘤患者信息，并利用cox分析筛选出有意义的变量，建立列线图，再对模型进行了内部和外部验证，划分高低风险组，最后将自己的预后模型与已经发表过的模型进行比较，进一步证明自己的模型具有更好的预测能力。

标题：DevelopmentandValidationofaPrognosticNomogramtoGuideDecision-MakingforHigh-GradeDigestiveNeuroendocrineNeoplasms

开发和验证一种预后的列线图来指导高级别消化神经内分泌肿瘤的决策

高级别消化系统神经内分泌瘤：神经内分泌瘤（NENs）是罕见的恶性肿瘤，能出现在全身各个器官，但大约3/4发生在消化系统，Ki67(增殖标志物)指数大于20%的神经内分泌瘤被定义为高级别的神经内分泌瘤（NENs-G3）。

一.流程图

Figure1.流程图

二．患者临床信息

Table1.病人的临床资料

本研究共纳入例患者，其中例患者归为训练集，另一个中心收集到的90例患者归为验证集。训练集中位OS为13个月，验证集中位OS为28个月。若某一变量缺失的患者超过总患者的40%，则剔除这个指标。因此，排除肿瘤形态和神经特异性烯醇化酶这两个预测指标。选择用于评估的基线生化参数包括乳酸脱氢酶和碱性磷酸酶，并将其作为正常上限(UNL)的一个因素进行量化。

三．单因素和多因素cox分析

Table2Cox回归模型结果

单因素Cox分析结果表明体力状况、NLE、ALP、LDH、肿瘤分期、肝转移及肿瘤部位与患者OS显著相关。此外，基于文献回顾和临床经验，研究团队将Ki67(p=.)定义为感兴趣的变量。将上述变量纳入多因素Cox回归模型（此回归模型定义为最大回归模型，图2结果部分中间列），利用AIC准则（AIC越小，模型越好，通常选择AIC最小的模型。），向后逐步回归进行变量筛选。此步骤排除ALP、NLR及肝转移。因此，最终纳入Ki67、体力状况、LDH、肿瘤分期及肿瘤部位构建Nomogram。此部分去读原文的时候会发现，一顿操作猛如虎，然而……好像和常用的方法没什么区别。

四．构建列线图

图2.Nomogram回归模型（左）及可视化（右）

将上述研究得出的与总体生存率独立相关的变量（Ki67、体力状况、LDH、肿瘤分期及肿瘤部位）纳入并建立列线图。训练集未校正的C指数为0.(95%CI,0.–0.)，校正后的C指数为0.，表示该模型具有良好的预测能力。校正曲线结果表明预测的1年和2年死亡风险与实际观察的死亡风险较一致(Judgedbyeye，摘要部分是这么写的)。此外，1年及2年的AUC分别为0.(95%CI,0.–0.)和0.(95%CI,0.–0.)。图3.Calibrationcurve

五．模型验证

验证集未校正的C指数为0.(95%CI,0.-0.)，校正后的C指数为0.。1年和2年OS的AUC值分别为0.(95%CI,0.-0.)和0.(95%CI,0.-0.)。校正曲线如下图所示，1年2年均表现良好。

图4.验证集Calibrationcurve

六．风险分层及临床应用

计算所有患者的风险评分（即每个患者根据Nomogram所计算的得分）。按低、高危分为两组（A组0-分（低风险组），B组分（高风险组））。结果表明在验证队列和整个队列高风险组OS均较低风险组差(log-rankp.)。

图5.高低风险组生存曲线

根据Nomogram将患者分为2组（见上述），2组预后的差异具有统计学意义（低风险组中位OS：37个月，而高风险组仅8个月）。进一步亚组分析结果表明，化疗可能只可使得高风险组患者受益。（见如下中位生存时间比较及下图生存曲线）

OS中位值如下:

低风险组：接收化疗组：17个月（95%CI:7.6-24.4）Vs未接受化疗组：12个月（95%CI:0-36.8）（P=0.）

高风险组：接收化疗组：0个月（95%CI:6.9-11.1）Vs未接受化疗组：4个月（95%CI：2.9-5.1）（P0.）

图5.高风险（左）和低风险（右）组接受与未接受放疗组生存曲线

七．模型比较

文章最后，作者将自己的OS列线图和之前发表过的列线图进行比较。与已发表研究中的两个模型相比，作者的列线图在两个队列的生存评估的所有时间点上都表现得更好。

由于考虑到缺失数据而被排除在外的患者是否存在偏倚，作者采用预测均值匹配的方法，在数据缺失的假设下，随机填充缺失值，进行多重归算。以下为多重插补后的列线图和校准图。插补后的训练集的6个月，1年，2年的AUC分别为0.80，0.83，0.79，验证集AUC分别为0.75，0.80，0.83。得出的结果可以在比较大程度上排除偏倚对本次研究的影响。

总结

该研究是基于多中心的一项人群横断面疾病生存状态的预测研究，其大致脉络与往期文章基本相似。但是，麻雀虽小五脏俱全，整理起来发现该有的都有了。

1.作者通过将单因素筛选出的变量全部纳入构建了最大回归模型，然后使用AIC逆向选择过程减少了变量，简化了模型，得出了最终模型。并且通过AUC，校准曲线和Brierscore证明了最终简化的模型具有更好的效果。其实很多研究已经有这样做的，就是遵循预测模型的原则：利用做少的变量达到最佳的效果。

2.作者为了防止因数据缺少而删减的那部分病人会造成偏倚，使用了预测均值匹配的方法，对缺失数据的病人进行了多重插补。用进行多重插补后数据完整的病人重新构建了nomogram并用校准曲线进行了验证，使最大程度上减少了偏倚的影响。

3.由于过去2年预测模型类文章的爆发性增长，现在预测模型的发文，越来越多的要求证明自己的模型优于别人的地方。本文作者通过将自己模型的AUC值与已发表的预测模型进行比较，进一步证明了自己的模型的效果。但是，做模型比较切记进行统计学检验，勿直接比较AUC/C指数。或者选用其他指标，类似IDI，但是也要进行统计学检验。

往期推荐：

1.如何用RNA结合蛋白思路一月之内连发3篇纯生信SCI，IF累计过10？

2.表观遗传结合转录组学在早期肺癌中的纯生信研究发专业顶刊（IF=9.）

3.胃癌中M6A调节因子介导的甲基化修饰模式与肿瘤微环境浸润特征(IF:15.9)

4.基于DNA甲基化驱动基因构建胃癌预后列线图模型（IF:5.03)

5.干湿结合：DNA甲基化标记物可预测胃癌患者的生存（IF:5.）

6.lncRNA预测模型结合WGCNA网络，发5分+并不难

7.宫颈鳞癌的表观遗传与HPV16/18的表达、免疫激活和预后有关(IF:5.)

8.单基因生信加点免疫组化，4分sci等你来发！

9.9分+乳腺癌免疫浸润预后标志物

10.基于肿瘤微环境基因构建I-III期结肠癌免疫预后模型（IF=6.68）

11.利用METABRIC和TCGA挖掘CNA负荷对乳腺癌的预后影响

12.4分文献解读：整合生物信息学鉴定结直肠癌的核心基因和通路

13.干湿实验研究宫颈癌甲基化发5.8分！

14.干湿实验鉴定胰腺癌诊断和预后生物标志物=6.8分SCI

15.缘起Cytoscape的5.5分SCI

16.表观遗传学纯生信分析探究戒烟对肺腺癌生存的影响（IF:5.)

17.干湿结合7-mRNA预测模型轻松发5分+

18.CpG甲基化标记预测早期肝癌的复发（IF:28.)

19.鉴定肌肉浸润性膀胱癌的分子分型（IF:17.29)

课程推荐

多点好看，少点脱发

　　　　　　　　

转载请注明:http://www.qojkg.com//mjcczz/9915.html