临床预测模型图表拆解

今天分享一下临床预测模型文章一般需要的图表和框架拆解

（1）数据来源：SEER数据库

（2）统计分析方法：单因素和多因素Cox比例风险回归、受试者工作特征曲线(ROC)、决策曲线分析(DCA）、Kaplan-Meier曲线和log-rank检验等。

（3）软件：R软件版本4.1.0和SPSS版本26.0、“RMS”、“DynNom”和“ggDCA”等R包。

第一部分：流程图

Fig1 解读：排除未知或缺失的临床病理信息外，本研究共纳入11,617例患者。将2010年到2017年10595名患者随机分为70%的训练队列（n=7233）和30%的验证队列（n=3024）。2018年患者（n=1360）进行外部验证。收集人口统计学和临床资料，包括诊断年龄、性别、种族、肿瘤偏侧性、TNM分期、组织学类型、Fuhrman分级、手术类型、化疗、放疗、肿瘤大小、生存时间和婚姻状况。纳入标准为：（1）年龄≥65岁；（2）病理诊断为肾细胞癌；（3）T1/T2、N0、M0；（4）单侧肾癌。排除标准为：（1）未知手术类型、（2）未知肿瘤大小、（3）未知种族、（4）生存时间<1个月。

第二部分：基线描述和统计分析

结果1 临床特征（Table 1）

通过训练队列和验证队列中老年患者肾细胞癌的临床病理特征表（表1）可以看出。在训练队列和验证队列之间，患者在临床病理特征上无统计学差异。

①训练队列中OS的单因素和多因素cox比例风险回归（Table 2）

分析结果显示，有10个指标（包括年龄、性别、种族、组织学类型、Fuhrman分级、T分期、手术类型、肿瘤数量、肿瘤大小和婚姻状况）被认为是OS的独立的影响因素。

②训练队列中CSS的单因素和多因素cox比例风险回归（Table 3）

单变量和多变量分析显示，年龄、组织学类型、Fuhrman分级、T分期、手术类型、放疗、肿瘤数量是患者CSS的独立影响因素。

第三部分：构建和评价列线图

结果3 1年、3年和5年的OS和CSS的列线图构建(Figure 2)

①训练队列和验证队列中OS的校准图（Figure 3A-3B）

训练队列和验证队列的C指数分别为0.748(95%CI：0.760–0.736)和0.744(95%CI：0.762–0.726)，说明该模型具有良好的预测能力。在外部验证队列中，C指数为0.893(95%CI：0.928–0.858)。用于预测患者OS的训练队列和验证队列的校准图显示，实际观测结果和模型预测之间有良好的一致性。

1年、3年和5年训练队列和验证队列的的ROC曲线（Figure 4）

训练队列和验证队列中OS和CSS的决策曲线（Figure 5）

DCAs结果显示，列线图在训练队列和验证队列中的临床应用价值均优于TNM分期系统。

第四部分：构建风险分层

训练队列和验证队列中低危、高危组患者OS的Kaplan-Meier曲线（Figure 7）

本研究构建了一个基于老年肾癌患者总评分的风险分层系统。将患者分为低风险组（总分≤62.3）、高危组（总分>62.3）。

事实上，在训练队列和验证队列中，高危组的RCC患者的OS比低危组的患者更短。TeKaplan-Meier曲线显示，在所有队列中，低危组的1年、3年和5年OS率分别为97.8%、92.4%和84.5%，高危组分别为88.8%、73.5%和60.7%。

第五部分：模型应用

OS预测的在线应用程序