實戰演練！臨床預測模型之預后模型的SCI寫作案例

前篇文章大熱門！臨床預測模型助你實現低投入高產出的SCI論文 ，我們介紹了臨床預測模型的相關概念和流程概述。今天我們以具體的研究主題來介紹SCI文章的統計分析流程。

選題與數據

我們以“老年胃癌患者的預后”為主題開展研究，選擇某公開數據庫的患者為研究對象。數據提取及數據預處理過程忽略。最終確定研究題目為：“Development and Validation of Nomograms to Predict Cancer-Specific Survival and Overall Survival in Elderly Patients With Gastric Cancer”

統計方法

對于分類變量以頻率（%）進行描述，并采用卡方檢驗對各組進行比較。采用單因素Cox回歸進行變量的篩選，并以多因素Cox回歸構建模型。以Nomogram進行模型可視化，分別采用ROC曲線、校準圖和DCA進行模型的綜合評價。采用K-M曲線進行生存情況的分析，以Log-rank檢驗比較差異性。以p<0.05被認為具有統計學意義。

數據納排流程圖

本研究以某公開數據的胃癌患者為研究對象，研究時間段為2010-2015年，詳細的數據納排流程如下圖：

結果

臨床特征

2010至2015年間共有7561名患者參加了這項研究。所有患者被隨機分配到訓練組(N=5293)和驗證組(N=2268)。兩組數據均未顯示出顯著的統計偏差，結果如表1所示。

表1 老年胃癌患者的臨床特征

單因素和多因素Cox回歸分析

單因素Cox回歸模型首先用于訓練集，以分析和篩選與患者生存相關的因素。再以多因素Cox回歸模型篩選與老年GC患者的OS和CSS相關的獨立危險因素。分析結果見表2和表3。

表2 訓練集OS的單因素和多因素分析

表3 訓練集CSS的單因素和多因素分析

1、3、5年的OS和CSS的Nomogram

基于多變量Cox回歸模型，構建了預測老年GC患者1、3、5年的OS和CSS的Nomogram。

Nomogram的驗證

分別以ROC曲線、校準圖和DCA評價模型的區分度、一致性和臨床適用性。

Nomogram的臨床應用

以ROC曲線找到最佳Cut-off值，將患者劃分為高風險和低風險人群，并以K-M曲線比較生存率情況。

此外，分別對高風險和低風險人群，以K-M曲線來比較不同手術方式對預后生存率的影響。

以上就是該臨床預測模型完整的統計分析案例，只需要補充上完整的文字描述即可形成一篇完整SCI論文了。

后記：

預后模型的研究離不開“隨訪數據”的內容，但是臨床上僅靠醫生手工隨訪獲取的數據是非常有限的，然而缺乏隨訪數據就限制了預后模型的研究和文章發表。該如何突破這層障礙呢？行之有效的方法就是重視患者的隨訪，加強隨訪的深度和質量，將隨訪數據與院內數據進行完美的結合，使臨床醫生真正受用更全維度的科研數據。

聚焦于腫瘤隨訪10余年，深入一線深切關注診后隨訪的客戶痛點，打造出醫院電腦端-醫生APP-患者微信的“三位一體”隨診平臺的西部天使（北京）健康科技有限公司（以下簡稱：易隨診），專注于腫瘤專科隨訪、隨診，具有豐富的經驗，打通了院內就診和院外隨訪數據，不僅實現了醫院、醫生和患者的互通，解決患者的就診、復診等問題，還可以為臨床醫生的科研提供豐富的科研數據。

加硒教授微信：623296388，送食療電子書，任選一本