文献阅读-nomogram文章（二）

Title: Development and validation of a prognostic nomogram for HIV/AIDSpatients who underwent antiretroviral therapy: Data from a Chinapopulation-based cohort
标题：建立和验证接受抗逆转录病毒治疗的AIDs患者预后的nomogram:来自中国以人群为基础的队列的数据

分析流程

病例纳入→建立Nomogram→危险因素分层

1.纳入患者

这是一项回顾性研究，作者纳入的是温州CDC过去12年里接受ART治疗的AIDs患者，定义终点事件为患者死亡。用这种方法共发现150名死亡患者，根据倾向性匹配评分（Propensity Score Match，PSM）原则，按1:4的比例纳入600名未死亡的接受ART治疗的AIDs患者。将750名患者按照7:3的比例分为训练集和测试集。
对于两组间指标的比较：对正态分布指标使用student t-tests，对偏态分布指标使用Mann–Whitney U tests，对分类变量使用chi-square or Fisher’s exact tests。数据分布(正态or偏态)的检验用的是Kolmogorov-Smirnov test。Kruskal-Wallis test用于多个连续独立样本的比较(比如说三组病人间)

tips1：

对于缺失值，作者采用了多重填补(Multiple Imputation, MI)的方法进行插入，并评价缺失值填补的敏感性(sensitivity analysis )，结果在table S1中。评价敏感性是如何做的？

tips2：

PSM主要体现在回顾性队列研究中。以下为PSM优缺点：
优点：
《临床预测模型（Nomogram）第6篇：柳叶刀子刊重磅发表》

PSM优

缺点：
《倾向性匹配得分分析(PSM)是一种不太靠谱的方法》

PSM缺

2.建立Nomogram

2.1筛选变量

在筛选变量时，作者分别对每个指标进行了单变量分析以及综合的多变量分析。在这里作者将单因素中P<0.2的指标纳入多因素。原因如下：

p值

将单因素中P<0.2的指标纳入多因素Cox回归，确定了CD4, VL(病毒载量), HB(血红蛋白), GLU(空腹血糖) 和 CR(肌酐)为独立预后因子。此时作者并没有将5个指标全部纳入模型，而是根据Occam's Razor的“如无必要，勿增实体”原理，最后只纳入了CD4, VL和HB。具体做法是先比较5个变量的AUC值，发现：the individual AUCs of GLU, CR, CD4, VL and HB were 0.59, 0.51, 0.84, 0.85 and 0.75, respectively。随后作者去除AUC较小的GLU和CR，将纳入三个的模型和纳入五个的全模型进行比较，结果发现两者：performed similarly (AUC = 0.94 vs 0.93,χ2 = 3.165, p-value = 0.075).

2.2nomogram画图

因此作者选用纳入三个变量的模型进行nomogram画图：

nomogram

2.3 在测试集中验证

分别验证discrimination(c-index和AUC)以及calibration(calibration curves)。

2.4比较nomogram和单个实验室指标

这一步等于就是将三变量和单变量及五变量的AUC比较在测试集中在做一遍。

2.5DCA

在训练集和测试集分别画DCA曲线：

DCA

DCA曲线的意义如下：The DCA curve indicated that a nomogram was feasible to make valuable and profitable judgments. Furthermore, among the three detected factors included in the nomogram, we also observed that VL was more beneficial than the other two routine clinical laboratory indi�cators in the prediction of PLHIV survival.

3.患者危险因素分分层

很多Nomogram文章到上面就没了，虽然这一的预测模型比单纯的Logistic回归或Cox回归公式已经实现了可视化，但是临床应用还是差了点。到底算出来之后谁是高危谁是中危谁是低危还是不知道。因此一定要增加这一步。本文利用X-tile软件将患者分成了高、中和低风险组。
结果如下：
X-tile输出结果展示的是train cohort里的：

分层1

R输出展示的是validation cohort里的：

分层2

本文不足：

1.实验室指标是动态变化的，本文仅纳入患者基线实验室指标，短期预测效果较好，长期可能影响模型准确性。
2.可使用的ARTs治疗策略受限(国情影响)。
3.单中心。

感想：

1.就算已有某疾病的nomogram模型，只要我做出的模型效果比他的好，一样可以发文章。
2.已有文献是否表明了纳入的这几个实验室指标和结局有关，讨论时要写上去。