【歡迎你閱讀浙中大鄭老師團隊撰寫的統(tǒng)計科普文章】 今天分享的兩篇文章，同一天發(fā)表在同一個一區(qū)雜志，統(tǒng)計學方法具有很高的相似性。兩篇文章均使用了Cox回歸和RCS分析暴露因素與結(jié)果之間的關(guān)系，并用森林之神Boruta算法篩選關(guān)鍵特征變量，構(gòu)建并評估機器學習預(yù)測模型。 2024年12月18日，福建醫(yī)科大學學者在期刊《Cardiovascular Diabetology》（醫(yī)學一區(qū)top，IF=8.5）發(fā)表了一篇題為：“Association and predictive ability between significant perioperative cardiovascular adverse events and stress glucose rise in patients undergoing non-cardiac surgery”的研究論文，旨在探究應(yīng)激性高血糖比率（SHR）與非心臟手術(shù)患者圍手術(shù)期主要不良心血管事件（MACE）方面的關(guān)聯(lián)和預(yù)測能力。如果你需要全文，請公眾號后臺回復(fù)關(guān)鍵詞“pdf”。如果你想了解臨床預(yù)測模型相關(guān)課程，請聯(lián)系鄭老師團隊，助教微信：aq566665 在該項研究中，研究團隊使用了來自INSPIRE數(shù)據(jù)庫（版本1.1）的患者圍手術(shù)期數(shù)據(jù)，經(jīng)過納排，最終納入INSPIRE數(shù)據(jù)庫2011年至2020年期間，5,609例接受非心臟手術(shù)年齡≥18歲的患者的數(shù)據(jù)，并根據(jù)SHR的三分位數(shù)被分為三組。
非心臟手術(shù)包括胃腸道、骨科、神經(jīng)外科、產(chǎn)科、婦科、耳鼻喉科、胸外科和泌尿外科手術(shù)。主要終點：術(shù)后30天內(nèi)MACE的發(fā)生率，包括心源性死亡、圍手術(shù)期心肌梗死、急性心力衰竭和圍手術(shù)期卒中。使用Kaplan-Meier生存曲線評估不同SHR三分位數(shù)的MACE發(fā)生率，并使用log-rank檢驗評估組間差異。研究結(jié)果顯示，隨著SHR值的升高，圍手術(shù)期MACE和心源性死亡的發(fā)生率逐漸增加。構(gòu)建單變量和多變量Cox比例風險回歸模型，進一步探究SHR作為連續(xù)及分類變量與MACE風險之間的相關(guān)性。模型3：調(diào)整年齡、性別、BMI、ASA分級、急診狀態(tài)、手術(shù)類型、麻醉類型、糖尿病狀態(tài)、高血壓狀態(tài)、高脂血癥狀態(tài)、頸動脈狹窄狀態(tài)、瓣膜性心臟病狀態(tài)、房顫狀態(tài)、COPD、腎功能不全狀態(tài)、肝功能不全狀態(tài)、既往心肌梗死、IOH狀態(tài)、β受體阻滯劑狀態(tài)、胰島素狀態(tài)和降糖藥物狀態(tài)。同時，限制性立方樣條（RCS）分析潛在非線性關(guān)聯(lián)。結(jié)果顯示，SHR與圍手術(shù)期MACE和心臟死亡之間存在的J形非線性關(guān)聯(lián)目前，RCRI在臨床上經(jīng)常用于評估非心臟手術(shù)患者的心臟并發(fā)癥風險。研究團隊將SHR分別作為連續(xù)變量或由拐點確定的分類變量納入RCRI模型，通過ROC曲線、AUC、C-統(tǒng)計量、NRI、IDI及似然比檢驗等方法評估SHR納入是否能提升預(yù)測性能。結(jié)果顯示，SHR顯著改善了RCRI模型對術(shù)后30天MACE的預(yù)測性能，將AUC從0.778增加至0.825。√數(shù)據(jù)處理 首先，數(shù)據(jù)缺失超過20%的變量直接剔除；對于數(shù)據(jù)缺失少于20%的變量，使用多重插補鏈式方程（MICE）進行插補，確保估計的無偏性。√共線性 計算了方差膨脹因子（VIF）評估變量之間的多重共線性。√特征篩選 基于“森林之神”Boruta算法進行特征篩選，重要變量（如綠色區(qū)域所示）被納入機器學習模型的開發(fā)中。在填補完缺失數(shù)據(jù)后，數(shù)據(jù)被隨機分為訓(xùn)練集（70%）和驗證集（30%），使用10機器學習算法構(gòu)建預(yù)測模型，并用網(wǎng)格搜索和隨機搜索方法進行超參數(shù)調(diào)整，優(yōu)化模型性能。 10機器學習算法包括：分類提升（CatBoost）、決策樹、梯度提升機（GBM）、k-最近鄰（KNN）、輕梯度提升機（LightGBM）、神經(jīng)網(wǎng)絡(luò)（NN）、隨機森林（RF）、支持向量機（SVM）和極端梯度提升（XGBoost）。√模型性能評估
研究團隊使用AUC值、DCA和校準曲線評估預(yù)測模型的性能，結(jié)果顯示，納入SHR后，模型的預(yù)測性能顯著提升，AUC值有所增加。 其中決策樹（AUC = 0.893）和隨機森林（AUC = 0.889）模型預(yù)測性能最佳。同一天，同一期刊《Cardiovascular Diabetology》（醫(yī)學一區(qū)top，IF=8.5）發(fā)表了一篇題為：“Exploring the prognostic impact of triglyceride-glucose index in critically ill patients with first-ever stroke: insights from traditional methods and machine learning-based mortality prediction”的研究論文，旨在探索TyG與ICU全因死亡率和其他預(yù)后之間的關(guān)系，并開發(fā)機器學習（ML）模型來預(yù)測首次卒中患者的ICU全因死亡率。在該項研究中，研究團隊團隊主要從eICU協(xié)作研究數(shù)據(jù)庫納入3173名符合條件的年齡≥17歲、ICU住院時間≥6h、首次卒中的患者。次要結(jié)果：醫(yī)院全因死亡率、ICU和住院時間、格拉斯哥昏迷評分（GCS）和GCS的單個要素（睜眼、言語反應(yīng)、運動反應(yīng)）。使用限制性立方樣條分析（RCS）評估變量TyG與ICU全因死亡率之間的整體和非線性關(guān)系，并將參考點設(shè)置為最佳截止點。研究結(jié)果顯示，TyG與ICU全因死亡率之間存在線性關(guān)系（P=0.020），但不存在非線性關(guān)系（P-non-linear=0.356）。根據(jù)最佳截止點對TyG進行分類，繪制Kaplan-Meier曲線以評估生存差異。結(jié)果發(fā)現(xiàn)，高TyG組（TyG ≥ 9.265）與低TyG組（TyG < 9.265）之間的生存概率存在顯著差異（log-rank P< 0.001）。通過構(gòu)建多元Cox模型，并調(diào)整潛在混雜因素，研究團隊發(fā)現(xiàn)高TyG組與低TyG組相比，ICU（HR 1.92, 95% CI 1.38–2.66）和醫(yī)院（HR 1.69, 95% CI 1.32–2.16）全因死亡率均顯著升高。模型Ⅱ：調(diào)整人口統(tǒng)計學（年齡、性別、種族和BMI）和嚴重程度評分（APACHE IV）；模型Ⅲ：進一步調(diào)整合并癥（糖尿病、高血壓、冠心病、慢性腎病、心力衰竭、心肌梗死、心房顫動、呼吸衰竭、急性腎損傷、肝硬化和敗血癥)、實驗室檢查（HDL-C和LDL-C）、治療（抗血小板藥物、抗凝劑、血管加壓劑、溶栓和機械通氣）。這一結(jié)果揭示了TyG作為獨立風險因子在預(yù)測卒中患者預(yù)后中的重要性。進一步在不同亞組[包括年齡（≥60歲和< 60歲）、性別、BMI(≥30和< 30 kg/m2)]中探討TyG與ICU全因死亡率的關(guān)聯(lián)，研究結(jié)果顯示，在不同亞組，TyG與ICU全因死亡率之間無顯著相互作用。具體而言，隨著TyG值增加，患者的住院時間延長，神經(jīng)功能更差。二、構(gòu)建機器學習預(yù)測首次中風患者 ICU 全因死亡率納入缺失比例小于30%的協(xié)變量，并使用Python中的“miceforest”對缺失數(shù)據(jù)進行乘法插值。在填補完缺失數(shù)據(jù)后，研究團隊按照7:3的比例將主要隊列劃分為訓(xùn)練集和內(nèi)部驗證集。此外，研究團隊招募了2021年10月至2024年6月天津醫(yī)科大學總醫(yī)院神經(jīng)內(nèi)科ICU和綜合ICU收治的、符合條件的201名首次腦卒中患者，用于預(yù)測模型的外部驗證。鑒于ICU死亡人數(shù)有限，通過Boruta法，最終選擇了7個重要預(yù)測特征（MV、RFA、TyG、HDL-C、血管加壓劑、性別和LDL-C），其中TyG被認為是第三個重要特征。Pearson相關(guān)性和方差膨脹因子檢驗表明它們之間沒有強相關(guān)性或多重共線性使用七種機器學習算法構(gòu)建預(yù)測模型（包括光梯度增強機、隨機森林[RF]、邏輯回歸、支持向量機、多層感知器、高斯樸素貝葉斯和k-最近鄰），并用隨機搜索和手動微調(diào)與5倍交叉驗證，獲得每個ML模型的最佳超參數(shù)。考慮到隊列中陽性和陰性事件的不平衡，我們在ML模型中應(yīng)用了類別權(quán)重或合成少數(shù)過采樣技術(shù)。使用多個指標評估模型的性能，包括AUC值、DCA曲線、精確度、召回率、F1評分、G均值、靈敏度和特異性。最終，在內(nèi)部驗證集中，隨機森林（RF）預(yù)測性能最佳(AUC=0.900)，在外部驗證集中RF仍有最佳的預(yù)測性能(AUC=0.776)。使用SHAP法解釋特征對預(yù)測模型性能的重要性，并繪制相關(guān)圖以觀察特定特征對ML模型結(jié)果的邊際效應(yīng)。結(jié)果顯示前三位是：MV、TyG和RFA（TyG在內(nèi)部驗證隊列和外部驗證隊列中分別為第二位和第三位）。將RF嵌入到一個Web平臺中，該平臺具有易于使用的界面，其中包含與模型中的七個特征對應(yīng)的輸入（http://162.62.58.247:3030/）。通過輸入特定于特定患者的信息，將輸出其結(jié)果發(fā)生的概率。看下來諸位應(yīng)該有感覺，兩篇文章的思路如出一轍！所以，只要研究的套路是正確的，又有臨床意義，就可以復(fù)制。
|
