文章題目是：使用Nomograms預測接受聯(lián)合細胞毒性化療作為一線治療的不可切除或轉(zhuǎn)移性胃癌患者的生存率。研究的對象是949例化療的胃癌患者，觀察終點是1年后患者的生存情況。使用的方法是Cox生存分析，預測模型的展示方法是nomogram列線圖。
圖一：Flowchart 流程圖
我們還是從圖表的角度剖析這篇文章。第一個圖是大家最熟悉的流程圖，流程圖的重要性就不在強調(diào)了，幾乎每篇文章必備。文章收集了2001年到2006年共計1327例接受化療的胃癌患者。排除328人，剩余949人進入Cox模型。
表一：研究人群描述
如果說圖一看不出什么端倪，那么從表一開始，這篇文章的獨特之處就可以顯現(xiàn)出來了：作者把人群分成了2組，一組是基線列線圖人群，一組是基于化療反應列線圖人群。
這是什么意思呢？作者整篇文章共做了2個預測模型，一個是基于患者化療之前的危險因素進行預測，另一個則是化療開始后9周觀察到患者對化療初期反應之后的因素進行預測。
換句話說，當一個胃癌患者來了之后，首先可以通過基線數(shù)據(jù)進行風險評估預測，決定是否進行接受聯(lián)合細胞毒性化療?；颊呋熤?，可以通過初期化療反應再次進行評估，決定是否繼續(xù)化療。兩個模型結(jié)合為醫(yī)生提供化療決策的幫助。
其實這個時候作者的思路就已經(jīng)顯現(xiàn)出來了，這也是文章的核心亮點，可以猜想，作者下面的內(nèi)容則是圍繞2個模型進行書寫，我們繼續(xù)往下看。
表二：預測因子篩選
表二是文章的重要內(nèi)容：納入列線圖的危險因素，這里展示了預測模型用到的變量，同時展示了每個危險因素的HR風險比。
預測模型的難點在于預測因子的篩選，很多同學都在苦惱用什么原則選擇，這篇文章則描述的非常清楚，大家可以學習。簡單概述一下：文章首先使用基礎(chǔ)模型和年齡調(diào)整模型進行單因素分析，定義出來潛在的危險因素，然后使用前進、后退、逐步分析方法在多因素模型中篩選出了最佳模型。在使用這些方法的時候，一類錯誤α的取值為0.20，也就是p<>
同時，在這個表中最下面一列，展示出來2個模型的最大差異之處：化療后9周之內(nèi)的反應?；€nomogram中沒有這個變量，基于化療反應的nomogram則使用了這個變量。
圖二：nomogram列線圖
最后一步就是展示列線圖了，有了前面表二的鋪墊，圖二分別展示了2個模型的nomogram，1個基于基線資料預測，1個基于化療后初期反應預測，一切水到渠成。文章沒有再放ROC曲線，直接列出了2個模型的C-index分別是0.656（95CI%，0.628-0.673）和0.718（95CI%，0.694-0.741）
圖四、表三：校準曲線和風險分層
最后的圖和表作為文章的輔助材料，我一并放出來。一個是列線圖的校準曲線，校準曲線是實際風險和預測風險的對比，曲線約接近對角線，說明預測效果越好。
第二個圖則是按照風險大小進行分層，分別展示了每組的人數(shù)和中為生存時間，從側(cè)面說明了不同風險值患者的實際生存情況，讓大家對生存時間有更直接的認識。
以上就是這篇文章的全部內(nèi)容啦，我們簡單整理一下思路：作者通過對醫(yī)院現(xiàn)有化療患者數(shù)據(jù)進行挖掘，建立了2個模型：一個是在化療開始前進行預后評估，另一個是在化療初期，通過化療反應進行預后評估。2個模型是文章的最大亮點，nomogram作為載體展示了預測模型的結(jié)果，較為新穎。
科室特色疾病數(shù)據(jù)的挖掘是一種非常常見的思路來源，也是大家最容易掌握的臨床科研方法。因此，如果條件允許，強烈建議大家把專病資料整理起來，后期進行挖掘分析。易侕團隊有一個這樣的工具，易侕EDC
聯(lián)系客服
