2021年2月，廣東省醫(yī)學(xué)科學(xué)院、廣東省人民醫(yī)院、廣東省心血管研究所心內(nèi)科，廣東省冠心病防治重點實驗室的學(xué)者在《Annals of Palliative Medicine》（四區(qū)）發(fā)表題為：Derivation and validation of a simple nomogram prediction model for all-cause mortality among middle-aged and elderly general population 的研究論文。
這項研究為一項隊列研究，使用NHANES數(shù)據(jù)庫和對應(yīng)的死亡數(shù)據(jù)，旨在基于人口統(tǒng)計學(xué)和體格測量指標(biāo)，建立一個簡單的列線圖預(yù)測模型，用于中老年人群的全因死亡率。結(jié)果表明， 一個簡單的列線圖模型，包括年齡、性別、吸煙、飲酒、糖尿病、高血壓、婚姻、教育和PIR，可以很好地預(yù)測中老年人群的全因死亡率。
背景：一個簡單的臨床模型，可以根據(jù)人口統(tǒng)計學(xué)和身體測量指標(biāo)預(yù)測一般人群中老年人的全因死亡率。本研究旨在基于人口統(tǒng)計學(xué)和體格測量指標(biāo)，建立一個簡單的列線圖預(yù)測模型，用于中老年人群的全因死亡率。
方法：這是一項前瞻性隊列研究。我們使用了1999-2006年國家健康和營養(yǎng)檢查調(diào)查(NHANES)的數(shù)據(jù)，其中包括年齡≥40歲的成年人，2015年12月31日更新的死亡狀況。采用Cox比例風(fēng)險回歸、nomogram最小絕對收縮選擇算子(LASSO)二項回歸模型對衍生隊列和驗證隊列的預(yù)測模型進行評估。
結(jié)果：共有13,026名參與者（6,414名男性，平均年齡為61.59±13.80歲），其中6,671名（3,263名男性）和6,355名（3,151名男性）分別被納入衍生隊列和驗證隊列。在平均129.23±9.62個月的隨訪期間，有4,321人死亡。我們開發(fā)了一個 9 項列線圖模式，包括年齡、性別、吸煙、飲酒、糖尿病、高血壓、婚姻狀況、教育和貧困收入比 （PIR）。曲線下面積（AUC）為0.842，校準(zhǔn)良好。內(nèi)部驗證顯示，列線圖模型具有良好的辨別力，AUC為0.849，校準(zhǔn)良好。在驗證隊列中應(yīng)用LASSO 回歸模型也顯示出良好的區(qū)分（AUC = 0.854）和良好的校準(zhǔn)。模型的時間依賴性和樂觀校正的AUC值與隨訪時間的變化沒有顯著關(guān)系。
結(jié)論：一個簡單的列線圖模型，包括年齡、性別、吸煙、飲酒、糖尿病、高血壓、婚姻、教育和PIR，可以很好地預(yù)測中老年人群的全因死亡率。
最終的研究樣本包括13,026名參與者（6,414名男性，平均年齡為61.59±13.80歲）。派生隊列和驗證隊列中分別有6,671名和6,355名參與者。在129.23±9.62個月的平均隨訪期內(nèi)，有4,321名參與者死亡。如表1所示，衍生隊列和驗證隊列在SBP，DBP，酒精使用，PIR，婚姻，教育，種族和高血壓方面存在顯著差異。2.候選預(yù)測變量與全因死亡率的關(guān)聯(lián)單因素Cox比例風(fēng)險回歸顯示：女性（HR：0.79,95%CI：0.75–0.84，P<0.001），SBP（HR：1.01,95%CI：1.01–1.01，P<0.001），DBP（HR：0.97,95%CI：0.97-0.98，P<0.001），酒精攝入量（HR：1.00,95%CI：1.00-1.00，P<0.001），糖尿?。℉R：1.83， 95% CI：1.71–1.97， P<0.001） 和高血壓（HR：1.73， 95% CI：1.63–1.84， P<0.001） 與全因死亡率相關(guān)。此外，目前的吸煙者，即高中以下學(xué)歷、年齡≥70歲和PIR<1%的人，全因死亡率的風(fēng)險最高。進一步的多因素Cox比例風(fēng)險回歸顯示，當(dāng)前吸煙者（HR：1.89,95%CI：1.63-2.19，P<0.001），從未結(jié)婚的人（HR：1.57,95%CI：1.25-1.97，P<0.001），≥70歲人群（HR：9.95,95%CI：8.18-12.11，P<0.001）具有更高的全因死亡風(fēng)險。然而，BMI、PIR、DBP和教育與全因死亡率呈負(fù)相關(guān)（表2）。3.預(yù)測推導(dǎo)和驗證隊列中的全因死亡率①列線圖：在這個完整模型中登記了2個全因死亡率的獨立預(yù)測因子。這些變量中的每一個都被分配了一個分?jǐn)?shù)制。在計算總分并將其定位在總分制上后，我們向下繪制了一條垂直線，以獲得預(yù)測的全因死亡率概率?？偡衷礁?，反映了全因死亡率的概率越高。②ROC 曲線：完整模型和簡化模型的ROC曲線下面積均為0.842。為了驗證訓(xùn)練優(yōu)化和簡化模型，該模型的 C 統(tǒng)計量均為 0.849（圖 3B）。③對列線圖的決策曲線分析校準(zhǔn)圖：推導(dǎo)列線圖(圖4A)和驗證隊列(圖4B)的決策曲線分析表明，這些模型能夠成功預(yù)測全因死亡率，具有良好的敏感性和特異性(表3)。4.模型的預(yù)測值與隨訪時間的關(guān)系此外，如圖5A所示，在不同的隨訪時間，修正后的AUC值，模型的AUC值均大于0.80。結(jié)果表明，該模型非常穩(wěn)定，模型的預(yù)測值與隨訪時間無顯著關(guān)系。同樣，該模型在不同隨訪時間的AUC值均大于0.80，說明驗證隊列中預(yù)測全因死亡率的ROC曲線下面積隨隨訪時間的變化無顯著變化(圖5B)。P參與者：1999-2006年的年齡≥40歲的人群候選預(yù)測變量包括年齡、性別、種族/民族、吸煙、飲酒、婚姻狀況、教育程度、糖尿病、高血壓、PIR、BMI1.統(tǒng)計描述+差異性分析：所有連續(xù)變量均以平均值±標(biāo)準(zhǔn)差表示，分類變量以頻率或百分比表示。進行Kruskal-Wallis秩和檢驗、費舍爾檢驗、t檢驗和卡方檢驗，以通過基線特征檢測亞組差異。2.使用單變量和多變量Cox比例風(fēng)險回歸來估計全因死亡率的風(fēng)險。風(fēng)險比（HRs）和95%置信區(qū)間作為效應(yīng)估計值呈現(xiàn)。根據(jù)年齡（<50、50-60、60-70、>70歲）、PIR（<1、1-3、>3）和BMI（<25，≥25 kg/m）進行亞組分析。3.使用三種方法來建立預(yù)測模型并驗證內(nèi)部驗證。①在推導(dǎo)模型中擬合了包括年齡、性別、BMI、SBP、吸煙、酒精攝入量、糖尿病、高血壓、婚姻、教育和 PIR 的完整模型。②通過的逐步回歸篩選變量，建立了簡化模型。采用赤池信息量準(zhǔn)則將變量篩選到簡化模型中。預(yù)測列線圖是在基于多元回歸分析的推導(dǎo)隊列中構(gòu)建的。③為了進一步檢查，應(yīng)用LASSO二項式回歸模型來確定每個變量的理想系數(shù)并估計可能性偏差。4.ROC+AUC：為了評估列線圖的判別性能，測量了受試者工作特征（ROC）分析中的曲線下面積（AUC）以評估預(yù)測準(zhǔn)確性。5.使用上述相同方法在驗證隊列中評估模型在建立、區(qū)分和校準(zhǔn)方面的性能。5.數(shù)據(jù)分析在SPSS 22.0和R軟件版本3.3.2進行。
