文献阅读-nomogram文章(一)

标题:Neutrophil-to-Lymphocyte Ratio Predicts Severe Illness Patients with 2019 Novel Coronavirus in the Early Stage

分析流程:

纳入患者→收集数据→数据处理

1.纳入患者

这是一项前瞻性单中心研究,在进行前已经过伦理审查和患者知情同意。按照4版诊断标准纳入61名在北京地坛医院诊断为新冠肺炎的患者。在纳入之初,并不知患者结局如何。

2.分析流程

记录患者流行病史、基线数据、症状体征、实验室和影像检查、合并症。按照4版诊断标准,将患者分为轻、中、重症。将研究终点定义为严重疾病(包括中度和重度)的发生(severe illness developed)。

3.数据处理(重点)

3.1LASSO回归筛选严重肺炎相关因素

将基线数据、症状体征、实验室和影像检查等26个变量纳入LASSO回归,结果显示当 partial likelihood deviance最小时,年龄、NLR和高血压 是严重肺炎的预测因素(predictive factors)。当λ值是一个标准差大小时(lambda 1se),NLR是最重要的predictive factor。

LASSO回归

3.2多因素COX回归分析

在多因素Cox回归中,年龄和NLR被确定为与严重肺炎独立相关的因素。但是,年龄的HR接近于1。因此,研究团队尝试将年龄转换为2分类资料(<50岁和≥50岁)。在此基础上再次进行多因素COX回归分析,NLR被确定为与严重肺炎相关的变量。(学会这种转换变量的方式)

3.3预测模型的建立

基于NLR(1个指标),研究团队建立了Nomogram,预测患者7天和14天未发生严重肺炎的概率。


nomogram

其C指数为0.807(95% 置信区间:0.676–0.938),校准曲线如下所示。这两个指标分别反映区分度和校准度。


校准曲线

DCA曲线和临床影响曲线也表明预测模型表现较好,这两者展示了superior standardized net benefit and influence on the outcome of patients。

3.4比较NLR和既往评分体系

随后,研究团队比较了以NLR为基础的预测模型与既往模型的区分度。通过AUC的比较,发现NLR的AUC高于MuLBSTA及CURB-65,而NLR与CURB-65联合预测价值高于NLR单独预测(AUC见下图)。


AUC值

比较了区分度,校准度是否用比较?

3.5患者危险分层

根据年龄和NLR值,将患者分为4层,NLR的cutoff为3.13,年龄cutoff为50。分层后分别进行Kaplan–Meier分析,绘制曲线。(定义的终点为患者发展为严重肺炎(中重症),因此随访时间应该是截止到严重疾病发生时。)


K-M分析

在图c可以看到NLR<3.13且年龄<50岁这一层里,无患者发展为严重肺炎。

总结:

1.此处选用lasso回归筛选变量,自己做时应使用zzr的方法,综合比较lasso、岭回归、弹性网络和最佳子集这几种模型;或者采用statquest的方法用循环算出最佳λ值,不要直接选用lasso回归。
2.此文章里没有验证集。
3.构建与时间相关的终点事件叫半参数模型,采用cox回归模型。
4.DCA曲线和临床影响曲线是怎么做的?
DCA是用来评价模型区分度的,在9regression model.R里有代码,讲解可见zzr:决策曲线(Decision Curve Analysis)绘制

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,552评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,666评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,519评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,180评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,205评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,344评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,781评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,449评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,635评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,467评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,515评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,217评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,775评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,851评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,084评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,637评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,204评论 2 341

推荐阅读更多精彩内容

  • Tsuchikawa S, Schwanninger M (2013) A Review of Recent Ne...
    董八七阅读 921评论 0 0
  • 文章题目 响应老大生信菜鸟团推文:一起来看文献吧! 菜鸟团一周文献推荐(No.1) 本次阅读文献题目: Five-...
    小梦游仙境阅读 758评论 0 3
  • C5组三阶第二天学习分享 1.王丽 今天继续在胡莉斌老师的带领下学习呈现力之应用手势、眼神交流、变化声音,...
    关关gm阅读 138评论 0 0
  • 今天整理书籍的时候,翻出了一年级的作文书,二年级的作文书,三年级的作文书,还有四、五、六年级的作文书。 打开一年级...
    元夭党阅读 137评论 0 2
  • 野孩子a阅读 274评论 1 3