《急性脑梗死出血性转化的Nomogram预测模型构建研究》2000字（论文）

急性脑梗死出血性转化的Nomogram预测模型构建研究目录TOC\o"1-2"\h\u26315急性脑梗死出血性转化的Nomogram预测模型构建研究 1211031.1研究目的 1292431.2资料与方法 164281.3研究结果 2180091.3.1Nomogram预测模型建立 2314761.3.2Nomogram预测模型的区分度评价 36074.3.3Nomogram预测模型的校准度评价 3117341.4讨论 4研究目的初步探索急性脑梗死出血性转化的风险预测模型，为临床医生预测出血性转化发生的概率提供量化工具，以提高出血性转化的风险预测能力。资料与方法配对病例-对照研究中通过条件logistic回归筛选出的急性脑梗死出血性转化的独立相关因素，即：房颤史、糖尿病史、大面积脑梗死、溶栓治疗、介入治疗、D-二聚体、血小板计数、甘油三脂，由于甘油三脂受饮食因素影响大，且缺失值较多，为减少偏倚，在此次预测模型中将其删除，将其余因素纳入预测模型，使用RStudio及R4.0.3处理数据，利用rms、Hmisc、lattice、survival、Formula、ggplot2程序包进行nomogram绘制。nomogram具体绘制步骤如如下：#加载数据Case<-read_excel("Case.xlsx")View(Case)#打包数据dd=datadist(Case)options(datadist="dd")#构建cox比例风险预测模型f<-lrm(Group~糖尿病史+房颤史+血小板计数+NLR+D二聚体+大面积脑梗死+溶栓+介入治疗+nihss,data=Case)#绘制列线图nom<-nomogram(f,fun=function(x)1/(1+exp(-x)),lp=F,funlabel="Risk")#输出列线图plot(nom) 模型建立后通过bootstrap法进行内部验证，内部验证的内容包括模型的区分度与校准度的评价。区分度代表研究建立的预测模型能正确区分发生某结局事件和未发生某结局事件人群的水平及能力，评估区分度的方法有很多种，对于二分类变量，通常使用ROC曲线或C统计量进行特征描述，来评价临床预测模型识别HT的可靠性，一般来说，ROC曲线下面积或C统计量小于0.60表示鉴别能力差，0.60到0.75表示可能助于辨别，超过0.75表示具有良好的鉴别能力。校准度也是模型最重要的属性，它反映了模型正确估计绝对风险的能力，通常通过绘制校准曲线来评估模型预测值与实际观测值的相符程度，从而评估模型预测准确度。研究结果Nomogram预测模型建立将筛选出的危险因素纳入预测模型，通过R软件将初步建立nomogram风险预测模型，如图4-2。图4-2急性脑梗死出血性转化的nomogram风险预测模型Nomogram预测模型的区分度评价本研究利用ROC曲线来评价该模型的区分度，见图4-3，ROC曲线下面积为0.891（95%CI：0.826-0.955），提示本研究建立的预测模型能较好的区分出血性转化患者和非出血性转化患者。图4-3急性脑梗死出血性转化预测模型的ROC曲线4.3.3Nomogram预测模型的校准度评价本研究通过绘制校准图评价构建的临床预测模型的校准度。利用R软件绘制校准曲线（calibrationplot），如图4-4显示，横坐标代表模型预测概率，纵坐标代表实际发生概率，列线图的校准曲线与预测曲线较为接近，提示本研究建立的急性脑梗死出血性转化的风险预测模型可以较好的评估急性脑梗死患者发生出血性转化的真实概率。图4-4急性脑梗死出血性转化预测模型的校准图讨论以往研究开发了多种评价量表来预测静脉溶栓后出血性转化的风险，旨在建立一套临床有效预测出血性转化的评分系统，不同的风险评级模型也在急性脑梗死患者中得到了验证。目前，临床应用主要有HAT，SEDAN，MSS，GRASPS评分等ADDINEN.CITEADDINEN.CITE.DATA[112,167-169]，但是上述量表均由国外相关研究提出，对不同种族、不同人群的预测能力是否相同仍有待商榷。MuLiADDINEN.CITEADDINEN.CITE.DATA[170]等人对不同评分进行横向比较后发现，只有MSS评分和GRASPS评分对中国人群出血性转化具有更好的预测价值。然而，由于对连续性变量（如血糖、NIHSS评分、年龄、血压BP等）使用二分类法分类，这些评分对出血性转化的与预测效果有限。一些研究表明，与使用风险分组的评分相比，nomogram预测模型的表现更好ADDINEN.CITEADDINEN.CITE.DATA[171-173]。Nomogram是一种简单易懂的风险评分工具，它的主要优势是能够根据某一疾病的相关影响因素来预测个体患该病的风险。它将复杂的回归方程式转换为简单的可视图形以进行预测，使模型的可读性更强，为临床医生在临床实践中提供个性化的、基于证据的、高度准确的风险评估结果，便于临床管理与决策。它的原理是分别列举出通过logistic回归方法得出的每一个研究变量，为每个预测变量的水平按照所占的权重的大小提供相应的分数，然后把所有预测变量的评分进行求和，最后用函数转换总评分与终点事件之间的关系来计算某一事件发生的概率大小。本研究通过纳入条件logistic回归得出的9项与出血性转化相关的因素，初步建立了急性脑梗死出血性转化的Nomogram预测模型，该模型综合考虑了既往史、实验室检查、治疗方式等多方面因素，且上述因素在临床中容易获得，使得模型简便，容易操作。一个有用的临床模型应该具有较好的鉴别能力和校准能力。本研究建立的预测模型ROC曲线下面积为0.891，说明该模型能较好的区分出血性转化和非出血性转化的患者。本研究通过绘制校准曲线发现，该模型预测急性脑梗死患者发生出血性转化的风险值与实测值具有较好的一致性。通过区分度和校准度两个指标对该模型进行内部验证，表明该预测模型对出血性转化具有较好的预测能力。但是并未对nomogram预测模型进行外部验证，以进一步评估其临床实用性，需要在以后的研究中加以完善。虽然该模型可以为临床评