今天和大家分享一篇2019年发表在柳叶刀子刊《Ebiomedicine》上的一篇文章。文章以我国某地区CDC中AIDs患者数据为基础，建立并验证了预测接受抗逆转录病毒疗法的患者预后的Nomogram。文章整体结构清晰，方法严谨，有众多可学习之处。欢迎大家前来交流。
Title: Development and validation of a prognostic nomogram for HIV/AIDSpatients who underwent antiretroviral therapy: Data from a Chinapopulation-based cohort
标题：建立和验证接受抗逆转录病毒治疗的AIDs患者预后的nomogram:来自中国以人群为基础的队列的数据
文章主要内容：
1. 通过PSM，研究人员纳入750例患者纳入本研究，525例归入训练集，225例归入验证集。通过表格展示训练集和验证集患者基本信息，并进行统计学检验。
这一步其实有一个特殊之处，那就是进行了PSM，全称为倾向性匹配评分（Propensity Score Match）。其实这一方法的最大重要主要体现在回顾性队列研究中。
图 1. 23分PSM研究
图 1. 28分PSM研究
比如我们想比较2种手术/药物/措施对某一疾病患者的疗效比较，最完美的当时是进行随机对照研究（RCT）。但是由于各种各样的原因，我们只能回顾性收集数据进行研究，往往会出现2组患者基线资料有较大差异的情况，这样使得研究的统计学方法变得极为复杂，并且研究成果证据等级大大折扣。此时即可以运行PSM，系统在实验组和对照组各选出一定比例（1:1/2/4）的患者，可使得两者的统计学差异在设定的范围内。PSM的运行可在R软件中进行，也可以在SPSS中安装插件运行。
本文利用年龄和性别两个指标进行死亡患者和生存患者的匹配，利用150例死亡患者数据，匹配600例生存患者，组成研究队列，之后分为训练集和验证集。
和既往大量文献类似，研究团队首先进行了单因素Cox回归分析，确定了13个与死亡相关的因素。随后，将单因素中P<0.2的指标纳入多因素Cox回归，确定了CD4, VL(病毒载量), HB(血红蛋白), GLU(空腹血糖) 和 CR(肌酐)为独立预后因子。
图 3. 单因素/多因素COX回归截图（部分）
按照常规套路，接下去应该要将所有独立危险因素纳入建立预测模型。但是此处，研究团队进行了创新。为了尽量简化Nomogram（这也是公认的目标之一），研究团队比较了不同组合的预测模型的AUC，结果发现将5个独立危险因素纳入和只纳入CD4、VL(病毒载量)和HB(血红蛋白)的模型之间AUC相差不大，且差异无统计学意义（P=0.075）。
因此，基于3个独立危险因素，建立了Nomogram。训练集中的C指数为0.91，在验证集中为0.92，校准曲线表现出了较高的校准度。AUC比较结果显示Nomogram高于实验室检查指标。DCA表现出良好的临床适用性。
图 4. Nomogram
此部分其实本文还是有很多不常规的套路的。除了前述的去除了多因素中有意义的2个指标之外，将单因素中P<0.2的指标纳入多因素也是常规套路不一样的。在结果中我们发现，肌酐这一指标就显示出了此法的优势（虽然最后还是没有被纳入）。肌酐在单因素中P为0.102，但是在多因素中为0.023。（图5）
图5
3. 患者危险因素分分层
很多Nomogram文章到上面就没了，虽然这一的预测模型比单纯的Logistic回归或Cox回归公式已经实现了可视化，但是临床应用还是差了点。到底算出来之后谁是高危谁是中危谁是低危还是不知道。近年来已经有不少文章增加了此步骤。本文也利用X-tile软件将患者分成了高、中和低风险组。
总结：
其实我非常建议大家把这篇文章仔细读一读，不仅课题设计严谨，而且写的也很棒。文章的方法学部分进行了极为详细的阐述，尤其是统计学部分。细细品读，感觉这篇文章有点上次推送的JCO那篇文章的味道。
好了，今天就和大家聊到这里，小伙伴们有什么科研方面的想法，希望可以一起交流进步。
