文献阅读-nomogram文章（五）

题目：《Factors Affecting Sentinel Node Metastasis in Thin (T1) Cutaneous Melanomas: Development and External Validation of a Predictive Nomogram》
28分JCO ；logistic回归模型；终点为T1期皮肤黑色素瘤是否发生前哨淋巴结转移。
ref：临床预测模型（Nomogram）第11篇（IF=28分）：T1期皮肤黑色素瘤前哨淋巴结转移预测

一.纳入训练集和测试集

纳入病人

二.比较训练集和测试集里病人的特征

分别比较：(1)训练集和验证集里行SNB患者的基线特征；(2)训练集和验证集里未行SNB患者的基线特征；(3)训练集里行SNB的患者中，SNB阳性和SNB阴性患者基线特征的比较；(4)训练集里行SNB的患者中，SNB阳性和SNB阴性患者基线特征的比较。
统计方法的选择：对于年龄、肿瘤厚度等连续性变量，采用wilcoxon秩和或Mann-Whitney U秩和检验；对于性别、是否形成溃疡等分类变量，用Fisher精确检验。

统计方法选择

秩和参考课本p147，fisher参考课本p128。
疑问：为什么所有连续变量的比较都使用了秩和检验？是不是验证了它们都不属于正态分布？为什么分类资料都采取卡方检验里的Fisher精确检验，是否验证了理论频数T<1或总例数<40?
看一下google：

google

当在列联表里数据分布差异很大时，适宜用fisher exact test。在训练集和测试集里，SNB阳：SNB阴在15:1以上，因此比较SNB阳和SNB阴的基线分类变量特征(3)(4)适宜用Fisher exact test。但是为什么比较(1)(2)也用Fisher exact test？

三.单因素logistic回归

行单因素logistic回归，分析自变量和SNB阳性的相关性，筛选出9个有统计意义的变量。

四.随机森林

用随机森林筛选，计算p值和调整后p值(FDR)，筛选出6个变量，纳入多因素logistic模型，6个变量都有统计学显著性。

五.构建nomogram

用6个变量构建nomogram，如下图所示：

nomogram

六.验证nomogram模型

1.校准度

分别在训练集和测试集中验证校准度，画出calibration plot，得到结果为：mean predicted probabilities close to observed probabilities。随后进行Hosmer-Lemeshow test，得到p值0.8，不拒绝H0：predicted and observed probabilities无差异。作者这里描述的是：HL test的结果支持了calibration plot的结果。

校准度

2.区分度

分别在训练集和测试集验证区分度，计算模型的c-index以及每一个单变量拟合的模型的c-index(针对二分类logoistic回归的C-index等价于ROC曲线下面积（AUC、c-Statistics）)。

3.DCA

先看结果：

DCA

结果解读：
A图：开发这个nomogram预测模型，就是为了判断患者是否需要行SNB。可以看出nomogram模型与(1)所有患者都不行SNB(水平蓝线)；(2)所有患者都行SNB(灰线)；(3)6个单变量分别构建的预测模型这1+1+6共8个模型相比，在所有阈值水平上均有净获益。
水平蓝线和灰线代表两种极端情况。水平蓝线表示所有样本都是阴性（Pi < Pt），所有人都不治疗，净获益为0。灰线表示所有样本都是阳性，所有人都接受了治疗，净获益是个斜率为负值的反斜线。
B图：nomogram预测模型与6个单变量分别构建的预测模型相比，在减少不必要的SNB方面均有优势。
随后，作者将nomogram预测模型与基于两个指南构建的预测模型相比，发现nomogram有更优的DCA表现。

七.局限性

1.未考虑基因因素。
2.对缺失值的处理是直接剔除。

八.感想

1.Nomogram区分度和校准度的验证一定要在训练集和测试集里都进行。
2.写文章时，可以把把单因素分析显著性的变量列出来，这个时候不急于把显著性的变量纳入nomogram，而是进行逐步筛选、最优子集、随机森林等方法进行再次筛选。
3.在校准度验证方面，可以写：HL test的结果支持了calibration plot的结果。