原文阅读
如果你需要全文,请公众号后台回复关键词“pdf”。如果你对预测模型感兴趣,来看看我们的临床预测模型服务吧,一对一指导!详情可咨询助教,微信号:aq566665
通过计算战前与调查时HbA1c水平的差异(Δ值),并根据HbA1c变化幅度将所有受访者分为进展者(HbA1c水平较初始值增加超过5%)和稳定者(HbA1c水平稳定)两组,以全面评估各种因素对血糖控制的影响。
研究结果表明,战争相关因素显著影响了T2D患者的健康状况。具体体现在:
军事行动、占领时长、国内流离失所和家庭成员受伤或死亡的经历增加了T2D患者HbA1c水平;
缺乏定期血糖监测、内分泌学家咨询、不合理的饮食和缺乏体力活动也导致了T2D患者病程的恶化。
同时,研究团队在根据约登指数(判别标准>0.464)选择模型阈值时,敏感性为85.4% (95% CI 82.1% ~ 88.4%),特异性为45.4% (95% CI 40.6% ~ 50.3%)。
老郑有话说:AUC小于0.70还能说满意?让我们具体情况具体分析。
卡方值为112.4(p < 0.001),表明模型整体上是显著有效的。这说明模型在区分T2D进展和非进展患者方面具有统计学上的显著性。
虽然AUC为0.69确实不算非常强的区分能力,但在特定的应用场景下,特别是考虑到其高敏感性和对早期筛查的重要性,这个模型仍然可以被认为是具有一定实用价值的。
它为后续研究和改进提供了一个基础,并在当前背景下展示了合理的预测性能。
√特征筛选
这些因素包括:初始HbA1c水平、BMI(及体重)、患者年龄、战争相关因素暴露持续时间、T2D持续时间、血糖监测情况,以及区域、战争相关经历(涵盖占领时长、家庭受影响情况和流离失所)。 在模型训练前,为确保特征间的可比性和模型稳定性,首先对连续变量(年龄、BMI、HbA1c)进行了分位数变换的归一化处理。
为进行模型训练和交叉验证,研究团队选择了H2O.ai的autoML库,用该库训练并交叉验证了多种算法,包括:梯度提升机(GBM)、极端梯度提升(XGBoost)、广义线性模型、极度随机树、分布式随机森林和深度学习。
使用SHAP法生成条形图和蜂群图可视化特征的重要性及其对模型输出的影响。
关于郑老师团队及公众号
大型医学统计服务公众号平台,专注于医学生、医护工作者学术研究统计支持,我们是你们统计助理
我们开展对临床预测模型、机器学习、医学免费数据库NHANES、GBD数据库、孟德尔随机化方法、MIMIC一对一R语言指导开展统计分析(一年内不限时间,周末、晚上均统计师一对一指导)。
①指导学习R语言基本技巧
②全程指导课程学习
③课程R语言代码运行bug修复
④支持学员一篇SCI论文的数据分析