XiaoMi-AI文件搜索系统
World File Search System列线图
使用2015年CHARLS数据建立并验证中国中老年人高脂血症风险预测模型
结果：6 629名中老年人高脂血症患病率为26.32%（1 745/6 629）。LASSO回归和多因素Logistic回归分析均显示，体质指数（BMI）、空腹血糖、血尿酸、C反应蛋白、白细胞计数是该人群高脂血症的独立危险因素（比值比（OR）大于1，p值小于0.05）。据此构建列线图预测模型，用于估计中老年人高脂血症的风险。列线图的受试者工作特征（ROC）曲线下面积（AUC）为0.717（95%可信区间（CI）：0.703～0.731），判别能力良好。决策曲线分析 (DCA) 表明当中老年人群患高脂血症的概率在 0.11 至 0.61 之间时，应用列线图可获得最高净收益，表明列线图模型具有良好的临床适用性。Spiegelhalter 的 z 统计量检验证实，列线图模型的预测概率与观察到的高脂血症频率具有很好的一致性（p = 0.560）。列线图模型的 Brier 评分为 17.1%，低于 25% 的阈值，表明校准性良好。为了内部验证列线图模型，我们进行了 500 次引导重采样。来自
原创研究 预测老年髋部骨折术后心脏事件的列线图的开发和内部验证
目的：术后心脏事件 (PCE) 是老年人髋部骨折手术后的主要不良事件之一。现有的心脏风险评估工具存在一些局限性，并不是专门为接受髋部骨折手术的老年患者设计的。本研究旨在开发并内部验证用于预测这些患者 PCE 的列线图。患者和方法：我们对 2015 年 7 月至 2021 年 12 月期间在我院接受髋部骨折手术的 992 名年龄≥65 岁的患者进行了回顾性研究。收集了患者的人口统计学和临床数据。使用最小绝对收缩和选择算子 (LASSO) 回归选择预测因子，并使用多元逻辑回归构建列线图。通过引导进行内部验证。模型的判别能力由受试者工作特征曲线下面积 (AUC) 决定。评估了该模型的校准和临床效用。将列线图的预测能力和临床益处与修订的心脏风险指数 (RCRI) 进行了比较。结果：构建了包括全身麻醉、美国麻醉师协会（ASA）分级、心力衰竭史、严重心律失常史、冠状动脉疾病史、术前血小板计数和血清肌酐7个变量的列线图。该列线图具有良好的预测能力（AUC = 0.875，95% 置信区间[CI]：0.828– 0.918）。校准图和Hosmer-Lemeshow拟合优度检验显示校准效果良好（P = 0.520）。决策曲线分析和临床影响曲线证实了临床实用性。该列线图的预测能力和临床实用性优于RCRI。结论：我们开发了一种易于使用的列线图来预测老年髋部骨折患者的PCE。该预测模型可有效识别PCE高风险患者，并可能有助于围手术期管理优化。
中国东部健康居民 2 型糖尿病风险预测的列线图模型：一项为期 14 年的 15,166 名参与者的回顾性队列研究
摘要 背景 风险预测模型有助于识别 2 型糖尿病高风险个体。然而，在中国东部地区，尚未将此类模型应用于临床实践。目的 本研究旨在基于体检数据开发一种简易模型，识别中国东部地区 2 型糖尿病高危人群，以进行预测、预防和个性化医疗。方法 对 15,166 名每年进行体检的非糖尿病患者（12-94 岁；37% 为女性）进行了 14 年的回顾性队列研究。构建多元逻辑回归和最小绝对收缩和选择算子 (LASSO) 模型，用于单变量分析、因子选择和预测模型构建。校准曲线和受试者工作特征 (ROC) 曲线用于评估列线图的校准和预测精度，并使用决策曲线分析 (DCA) 评估其临床效度。结果 本研究中 2 型糖尿病的 14 年发病率为 4.1%。本研究开发了预测2型糖尿病风险的列线图，校准曲线显示该列线图具有良好的校准能力，内部验证中ROC曲线下面积（AUC）显示统计准确性（AUC = 0.865）。最后，DCA支持该列线图的临床预测价值。结论该列线图可作为一种简单、经济、可广泛推广的工具来预测中国东部地区2型糖尿病的个体化风险。早期成功识别和干预高危个体有助于从预测、预防和个性化医疗的角度提供更有效的治疗策略。
E3 泛素连接酶 Cbl-b 预测乳腺癌的良好预后
结果：在 54.1% (158/292) 的乳腺癌组织样本中检测到 Cbl-b 表达。Cbl-b 表达与 DFS 相关（p = 0.033），但与本研究中已知的临床病理因素无显著相关性。对数秩分析表明，Cbl-b 表达与更好的 OS（p = 0.013）和 DFS（p = 0.016）相关。多变量分析表明，Cbl-b 表达是乳腺癌的独立预后因素。我们构建的用于预测 OS 的列线图结合了 Cbl-b 表达、年龄、肿瘤大小、淋巴结转移和组织学分级。除肿瘤大小外，所有上述因素和诊断日期都用于构建 DFS 列线图。列线图的 C 指数分别为 0.735 和 0.678。我们的新临床模型在预测 OS 方面优于 TNM 分期。
基于计算机断层扫描放射组学的列线图在全脑放射治疗非小细胞肺癌脑转移瘤生存预测中的应用
预后参数和模型被认为有助于改善脑转移瘤 (BM) 患者的治疗结果。本研究旨在调查基于计算机断层扫描 (CT) 放射组学的列线图预测接受全脑放射治疗 (WBRT) 的非小细胞肺癌 (NSCLC) BM 患者生存期的可行性。回顾性分析了 2012 年 1 月至 2016 年 12 月接受 WBRT 的 195 名 NSCLC BM 患者。使用最小绝对收缩和选择算子 (LASSO) 回归从治疗前 CT 图像中提取和选择放射组学特征。通过整合放射组学特征和临床因素来开发和评估列线图以预测个体患者的生存期。根据 LASSO Cox 回归从 105 个放射组学特征中筛选出 5 个放射组学特征。根据放射组学评分（Rad-score）的最佳截断值，将患者分为低危（Rad-score <= − 0.14）组和高危（Rad-score > − 0.14）组。多变量分析表明，性别、卡氏评分（KPS）和 Rad-score 是总生存期（OS）的独立预测因素。训练队列和验证队列中列线图的一致性指数（C 指数）分别为 0.726 和 0.660。短期和长期生存预测的曲线下面积（AUC）分别为 0.786 和 0.788。综上所述，基于 CT 图像的放射组学特征和临床因素的列线图可用于预测接受 WBRT 的 NSCLC BM 患者的 OS。
同行评审文件
根据您的要求在文中描述它。 文本更改：第 10 页，第 9-11 行；第 12 页，第 11-14 行 审稿人 B 我怀着极大的兴趣阅读了 Xu 等人的这篇手稿。作者描述了一项单中心回顾性研究，研究对象为接受新辅助化疗治疗结直肠肝转移 (CRLM) 并随后接受切除术的患者。他们的目的是确定预测主要病理反应 (<50% 存活肿瘤细胞) 的因素。无病间隔 (DFI)、转移的数量和大小以及 RAS 状态是影响主要病理反应机会的独立因素。作者制作了一个列线图，该列线图经过内部验证并在亚组中进行测试。 要点： 评论 1：正如作者所承认的，没有外部验证。因此，我认为发布列线图为时过早。我建议省略这一点。 回复 1：感谢您的建议。缺乏外部验证是我们文章的局限性之一。因此，模型的可靠性并不理想。为了减少偏差并提高模型的可靠性，我们进行了内部验证，随机分为
预测韩国年轻代谢健康肥胖者向代谢不健康肥胖转变：全国人口
目的：本研究旨在确定20至44岁人群中从代谢健康肥胖转变为不健康肥胖相关的人口统计学因素、健康行为和5种代谢状态，并开发一种筛查工具来预测这种转变。方法：这项二次分析研究使用了韩国国家健康保险系统的国民健康数据。我们使用SAS（SAS Institute Inc）分析了定制数据，并进行了逻辑回归以确定与从代谢健康到不健康肥胖转变相关的因素。我们开发了一个列线图来使用已确定的因素来预测这种转变。结果：在3,351,989人中，从代谢健康到不健康肥胖的转变与一般特征、健康行为和代谢成分之间存在显著关联。男性参与者转变为代谢不健康肥胖的几率比女性参与者高1.30，经济状况最低的人也面临这种转变的风险（几率比1.08，95％CI 1.05-1.1）。吸烟、饮酒量超过 30 克以及缺乏规律运动与转变呈负相关。每个相关变量都被分配了一个点值。当列线图总分达到 295 时，从代谢健康到不健康肥胖的转变的预测率为 >50%。结论：本研究确定了年轻人从健康肥胖转变为不健康肥胖的关键因素，并创建了一个预测列线图。该列线图包括甘油三酯、腰围、高密度脂蛋白胆固醇、血压和空腹血糖，即使对于普通人群也可以轻松评估肥胖风险。该工具简化了肥胖率和干预措施不断上升的预测。
心脏瓣膜手术后急性肾损伤预测模型的开发与验证
方法：我们的回顾性研究在 2023 年 2 月至 8 月期间招募了 497 名接受心脏瓣膜手术的成年患者作为衍生队列。获取患者的人口统计学信息，包括病史和围手术期临床信息，并根据肾脏疾病：改善全球预后 (KDIGO) 指南将患者分为 AKI 和非 AKI 两个队列之一。使用二元逻辑逐步回归分析，我们确定了心脏瓣膜手术后的独立 AKI 风险因素。最后，我们构建了一个列线图并在由 200 名患者组成的验证队列中进行外部验证。根据受试者工作特征曲线下面积 (AUC)、校准曲线和决策曲线分析 (DCA) 评估列线图的性能。
癌症住院患者抗肿瘤药物诱发严重不良事件的风险因素模型：基于全球触发指标的回顾性研究
本研究旨在应用机器学习方法评估与严重不良事件 (SAE) 相关的危险因素并预测使用抗肿瘤药物的癌症住院患者 SAE 的发生。回顾性审查了 2017 年 1 月 1 日至 12 月 31 日期间入院的 499 名确诊为癌症的患者的病历。首先，使用全局触发工具 (GTT) 主动监测抗肿瘤药物引起的药物不良事件 (ADE) 和 SAE，并将阳性触发因素的数量作为中间变量。随后，通过单变量分析和最小绝对收缩和选择算子 (LASSO) 分析选出具有统计学意义的危险因素。最后，以LASSO分析后的危险因素作为协变量，采用基于逻辑模型、极端梯度提升（XGBoost）、分类提升（CatBoost）、自适应提升（AdaBoost）、轻梯度提升机（LightGBM）、随机森林（RF）、梯度提升决策树（GBDT）、决策树（DT）和基于七种算法的集成模型的列线图建立预测模型，并使用ROC曲线下面积（AUROC）、PR曲线下面积（AUPR）等一系列指标评估模型性能。在我们的样本中共识别出94名SAE患者，SAE的危险因素包括诱发因素数量、住院时间、年龄、联合用药数、既往化疗中发生的ADE以及性别。在测试队列中，基于逻辑模型的列线图的AUROC为0.799，AUPR为0.527。在八种机器学习模型中，GBDT 的预测能力最好（AUROC = 0.832 和 AUPR = 0.557），优于列线图，因此被选为建立预测网页。本研究提供了一种准确预测癌症住院患者 SAE 发生率的新方法。
2025; 16(4): 1379-1396. doi: 10.7150/jca.104412 研究论文 结直肠癌一线化疗后骨髓抑制的风险预测
背景：结直肠癌 (CRC) 是癌症相关死亡的主要原因，2022 年新增病例超过 190 万，死亡人数为 90.4 万。化疗是 CRC 的主要治疗方法，但常常导致骨髓抑制，严重影响治疗效果和患者预后。目前缺乏化疗引起的骨髓抑制的预测工具。方法：这项回顾性研究分析了 2020 年 4 月至 2024 年 7 月期间广安门医院接受一线化疗 (CapeOx、FOLFOX、FOLFIRI) 的 855 名 CRC 患者。患者分为训练组 (684) 和验证组 (171)。单变量分析、LASSO 回归和多变量逻辑回归确定了骨髓抑制的危险因素，并使用 ROC 曲线、校准曲线和决策曲线分析开发和验证了预测列线图。采用倾向评分匹配 (PSM) 来最小化组间基线差异，然后对 PSM 后数据进行多元逻辑回归分析。结果：两组的骨髓抑制发生率相似（33.04% vs. 32.16%）。显着的预测因素包括年龄、吸烟、糖尿病、BMI、肿瘤位置、肺转移、白蛋白 (ALB) 水平和癌胚抗原 (CEA) 水平。列线图显示出良好的预测性能，训练组和验证组的 AUC 值分别为 0.78 和 0.80，显示出一致且有临床意义的预测。PSM 进一步验证了模型的稳健性，证实 BMI 是骨髓抑制的一致显着预测因子。结论：该研究确定了 CRC 患者化疗引起的骨髓抑制的关键风险因素，并制定了预测列线图。该工具可以帮助临床医生评估风险并指导治疗决策。局限性包括潜在的选择偏差和需要在不同人群中进行外部验证。未来的研究应该进一步完善和验证这个预测模型。