打開手機(jī)掃描二維碼
即可在手機(jī)端查看
一、風(fēng)險(xiǎn)預(yù)測模型簡介
風(fēng)險(xiǎn)預(yù)測模型是一種利用數(shù)據(jù)和統(tǒng)計(jì)方法，旨在預(yù)防和預(yù)測風(fēng)險(xiǎn)的技術(shù)。
該技術(shù)已被用于多個(gè)學(xué)科領(lǐng)域。在醫(yī)學(xué)領(lǐng)域，風(fēng)險(xiǎn)預(yù)測模型能夠充分利用患者現(xiàn)有的臨床和生物學(xué)數(shù)據(jù)，估計(jì)特定個(gè)體當(dāng)前患有某病或?qū)戆l(fā)生某結(jié)局的概率，并按照概率的大小分層，以供評(píng)估者對(duì)不同風(fēng)險(xiǎn)概率的群體在臨床實(shí)踐中開展針對(duì)性干預(yù)[1]。此模型多用于疾病嚴(yán)重程度分層、揭示疾病或疾病預(yù)后的風(fēng)險(xiǎn)特征，從而指導(dǎo)臨床決策[2]。
具體風(fēng)險(xiǎn)預(yù)測模型類型有很多，在護(hù)理領(lǐng)域常用的有Logistic回歸模型、生存分析模型、決策樹模型等。
Logistic回歸模型：
這是一種常用的二分類模型，通過建立一個(gè)線性模型和一個(gè)sigmoid函數(shù)來預(yù)測患病的概率。它可以通過最大似然估計(jì)來估計(jì)模型的參數(shù)，具有簡單、可解釋性強(qiáng)的特點(diǎn)。
生存分析模型：
主要用于預(yù)測患者的生存時(shí)間或事件發(fā)生的風(fēng)險(xiǎn)。其中，Cox比例風(fēng)險(xiǎn)模型是最常用的生存分析模型之一，它可以考慮多個(gè)危險(xiǎn)因素對(duì)患病風(fēng)險(xiǎn)的影響，并計(jì)算危險(xiǎn)比（Hazard Ratio）。
決策樹模型：
通過構(gòu)建一棵樹形結(jié)構(gòu)來預(yù)測患病風(fēng)險(xiǎn)。它通過一系列的分裂準(zhǔn)則將樣本劃分為不同的子集，最終得到一個(gè)預(yù)測模型。決策樹模型具有可解釋性強(qiáng)、易于理解和實(shí)現(xiàn)的優(yōu)點(diǎn)。
風(fēng)險(xiǎn)預(yù)測模型的構(gòu)建和驗(yàn)證需要大量數(shù)據(jù)和專業(yè)知識(shí)支持。隨著新技術(shù)發(fā)展，大型醫(yī)療數(shù)據(jù)庫的建立為風(fēng)險(xiǎn)預(yù)測模型的構(gòu)建和驗(yàn)證提供了機(jī)會(huì)[3]。
在應(yīng)用風(fēng)險(xiǎn)預(yù)測模型時(shí)，需要注意模型的泛化能力、解釋性和穩(wěn)健性，以確保模型的準(zhǔn)確性和可靠性[4]。在應(yīng)用風(fēng)險(xiǎn)預(yù)測模型時(shí)，需要充分考慮其局限性，并根據(jù)實(shí)際需求和場景選擇合適的模型。同時(shí)，也需要持續(xù)監(jiān)測和更新模型，以確保其準(zhǔn)確性和可靠性[5-6]。
二、護(hù)理核心期刊2023年發(fā)表的“風(fēng)險(xiǎn)預(yù)測模型”文章
在知網(wǎng)檢索“風(fēng)險(xiǎn)預(yù)測模型”可得到相關(guān)文章發(fā)文量、文獻(xiàn)來源分布、基金支持等信息。
首先，“風(fēng)險(xiǎn)預(yù)測模型”文章的發(fā)文量逐年增加，如下圖所示。
其中文獻(xiàn)來源分布結(jié)果顯示，護(hù)理領(lǐng)域發(fā)文量占有一定比例。
基金分布結(jié)果顯示，“風(fēng)險(xiǎn)預(yù)測模型”文章受到國家自然科學(xué)基金、國家重點(diǎn)研發(fā)計(jì)劃、河南省科技攻關(guān)計(jì)劃等多個(gè)基金項(xiàng)目支持。
經(jīng)小編統(tǒng)計(jì)，在2023年，護(hù)理核心期刊發(fā)表“風(fēng)險(xiǎn)預(yù)測模型”文章共計(jì)86篇，期刊依次為護(hù)理研究（19）、軍事護(hù)理（17）、中華護(hù)理雜志（16）、中國護(hù)理管理（14）、護(hù)理學(xué)報(bào)（10） 、護(hù)理學(xué)雜志（10）。
研究主題依次為慢性病/老年（30）、外科（21）、急重癥（13）、腫瘤（12）、婦產(chǎn)（8）、其他（2）。
三、構(gòu)建風(fēng)險(xiǎn)預(yù)測模型的過程
我們通過學(xué)習(xí)一篇2023年發(fā)表在《中華護(hù)理雜志》上的范文[7]來了解風(fēng)險(xiǎn)預(yù)測模型的構(gòu)建和效果驗(yàn)證過程。
研究目的：
建立預(yù)測連續(xù)性腎臟替代治療（continuous renal replacement therapy,CRRT）體外循環(huán)裝置凝血風(fēng)險(xiǎn)的模型，并驗(yàn)證模型的應(yīng)用效果。
研究方法：
采用便利抽樣法，收集2021年4月—2022年1月在常州市某三級(jí)甲等醫(yī)院行CRRT的患者320例，按照是否發(fā)生體外循環(huán)裝置凝血分為凝血組（n=98）和非凝血組（n=222），將兩組的各項(xiàng)指標(biāo)進(jìn)行對(duì)比并應(yīng)用二元Logistic回歸構(gòu)建預(yù)測模型，采用Hosmer-Lemeshow判斷模型的擬合度，采用受試者操作特征曲線（receiver operating characteristic curve,ROC）的曲線下面積檢驗(yàn)?zāi)Ｐ皖A(yù)測效果。將2022年2月—6月行CRRT的160例患者作為驗(yàn)證組，驗(yàn)證模型的臨床應(yīng)用效果。
研究結(jié)果：
體外循環(huán)裝置凝血發(fā)生率為30.6%，最終納入模型的預(yù)測變量為連續(xù)性靜脈-靜脈血液透析（continuous venovenous hemodialysis,CVVHD）(OR=2.482)、連續(xù)性靜脈-靜脈血液濾過（continuous venovenous hemofiltration,CVVH）(OR=2.724)、枸櫞酸抗凝（OR=3.425）、阿加曲班抗凝（OR=3.150）、無肝素抗凝（OR=9.103）、血泵停泵（OR=4.114）、血流量不足（OR=2.769）、血小板計(jì)數(shù)（OR=1.005）和活化部分凝血活酶時(shí)間（OR=0.859）。風(fēng)險(xiǎn)預(yù)測模型公式為P=1/[1+exp(-0.866+0.909×CVVHD+1.002×CVVH+1.231×枸櫞酸抗凝+1.147×阿加曲班抗凝+2.209×無肝素抗凝+1.415×血泵停泵+1.018×血流量不足+0.005×血小板計(jì)數(shù)-0.152×活化部分凝血活酶時(shí)間)]。
該模型ROC曲線下面積為0.865，最大約登指數(shù)為0.584，靈敏度為75.50%，特異度為82.90%。
模型驗(yàn)證結(jié)果：
靈敏度為84.10%，特異度為79.31%，準(zhǔn)確率為80.63%。
研究結(jié)論：
該研究構(gòu)建的模型預(yù)測效果較好，可為臨床識(shí)別CRRT患者凝血的發(fā)生及實(shí)施預(yù)防性護(hù)理提供借鑒。
構(gòu)建風(fēng)險(xiǎn)預(yù)測模型的過程：
1. 確定目標(biāo)：
首先需要明確風(fēng)險(xiǎn)預(yù)測模型的目標(biāo)，如預(yù)測連續(xù)性腎臟替代治療體外循環(huán)裝置凝血風(fēng)險(xiǎn)的發(fā)生概率。因此，本研究的因變量為是否發(fā)生體外循環(huán)裝置凝血。
2. 數(shù)據(jù)收集：
根據(jù)目標(biāo)收集相關(guān)數(shù)據(jù)。數(shù)據(jù)的質(zhì)量和數(shù)量將直接影響模型的準(zhǔn)確性和可靠性。本研究為回顧性研究，數(shù)據(jù)來自血液凈化信息系統(tǒng)或病歷，研究者統(tǒng)一資料標(biāo)準(zhǔn)，一人收集一人核查。因此，本研究納入的自變量包括一般資料、原發(fā)病類型、合并癥情況、實(shí)驗(yàn)室檢查資料（如連續(xù)性靜脈-靜脈血液透析、連續(xù)性靜脈-靜脈血液濾過、枸櫞酸抗凝等）。
3. 變量篩選：
從收集到的數(shù)據(jù)中，選擇與風(fēng)險(xiǎn)預(yù)測相關(guān)的變量。這一步旨在去除無關(guān)或冗余的變量，以提高模型的精度和可解釋性。
4. 模型選擇：
根據(jù)目標(biāo)和數(shù)據(jù)特征，選擇合適的預(yù)測模型，包括統(tǒng)計(jì)模型、機(jī)器學(xué)習(xí)模型或人工智能模型等。本研究采用二元Logistic回歸構(gòu)建風(fēng)險(xiǎn)預(yù)測模型，選擇逐步向前Wald χ2法篩選獨(dú)立危險(xiǎn)因素。
5. 模型訓(xùn)練和調(diào)整：
利用選定數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，并調(diào)整模型的參數(shù)和結(jié)構(gòu)，以優(yōu)化預(yù)測性能。
6. 模型評(píng)估：
使用獨(dú)立的測試數(shù)據(jù)集對(duì)訓(xùn)練好的模型進(jìn)行評(píng)估，計(jì)算模型的預(yù)測精度、誤差率等指標(biāo)，以確保模型的可靠性和泛化能力。本研究采用Hosmer-Lemeshow判斷模型的擬合度，采用受試者操作特征曲線下面積檢驗(yàn)?zāi)Ｐ皖A(yù)測效果，在2022年2月—6月收集符合標(biāo)準(zhǔn)的160例患者作為獨(dú)立數(shù)據(jù)驗(yàn)證該模型。
7. 模型部署：
將訓(xùn)練好的模型部署到實(shí)際應(yīng)用中，用于預(yù)測風(fēng)險(xiǎn)事件或評(píng)估風(fēng)險(xiǎn)水平。
8. 持續(xù)監(jiān)控和更新：
在模型實(shí)際應(yīng)用過程中，持續(xù)監(jiān)控?cái)?shù)據(jù)的動(dòng)態(tài)變化，以及模型的表現(xiàn)。當(dāng)數(shù)據(jù)或環(huán)境發(fā)生變化時(shí)，及時(shí)更新模型以保持其預(yù)測精度和可靠性。
由目前文章發(fā)表情況推測，風(fēng)險(xiǎn)預(yù)測模型的探究與應(yīng)用會(huì)越來越普遍。偏臨床的課題可以考慮這個(gè)方法，風(fēng)險(xiǎn)預(yù)測模型具有較大的臨床實(shí)用價(jià)值，大家抓緊時(shí)間學(xué)起來吧。
以上為本次分享全部內(nèi)容，全文干貨，歡迎點(diǎn)贊收藏～
參考:
[1] 張蕊,鄭黎強(qiáng),潘國偉.疾病發(fā)病風(fēng)險(xiǎn)預(yù)測模型的應(yīng)用與建立[J].中國衛(wèi)生統(tǒng)計(jì),2015,32(04):724-726.
[2] 李佳圓.中國乳腺癌危險(xiǎn)因素研究現(xiàn)況及其風(fēng)險(xiǎn)預(yù)測模型研究展望[J].中國循證醫(yī)學(xué)雜志,2020,20(07):745-748.
[3] 李金金. 天津市慢性病隊(duì)列研究及風(fēng)險(xiǎn)預(yù)測模型的建立[D].天津醫(yī)科大學(xué),2019.
[4] 俞曉慧,章新瓊,楊勝菊等.糖尿病患者低血糖發(fā)生風(fēng)險(xiǎn)預(yù)測模型的系統(tǒng)評(píng)價(jià)[J].中華護(hù)理雜志,2022,57(15):1830-1839.
[5] 郭迎坤,李靈,袁苗等.胎兒生長受限風(fēng)險(xiǎn)預(yù)測模型的研究進(jìn)展[J].中國計(jì)劃生育和婦產(chǎn)科,2023,15(12):29-31.[6]凌敏,王霄一,章晉等.維持性血液透析患者心血管事件風(fēng)險(xiǎn)預(yù)測模型的研究進(jìn)展[J].中國血液凈化,2023,22(10):772-775.
[7] 胡璐璐,牛洪艷,韓小云等.連續(xù)性腎臟替代治療體外循環(huán)裝置凝血風(fēng)險(xiǎn)預(yù)測模型的構(gòu)建與驗(yàn)證[J].中華護(hù)理雜志,2023,58(15):1845-1851.
特別聲明：智慧醫(yī)療網(wǎng)轉(zhuǎn)載其他網(wǎng)站內(nèi)容，出于傳遞更多信息而非盈利之目的，同時(shí)并不代表贊成其觀點(diǎn)或證實(shí)其描述，內(nèi)容僅供參考。版權(quán)歸原作者所有，若有侵權(quán)，請(qǐng)聯(lián)系我們刪除。
凡來源注明智慧醫(yī)療網(wǎng)的內(nèi)容為智慧醫(yī)療網(wǎng)原創(chuàng)，轉(zhuǎn)載需獲授權(quán)。
智慧醫(yī)療網(wǎng) ? 2022 版權(quán)所有 ICP備案號(hào)：滬ICP備17004559號(hào)-5
