2025【急性脑梗死出血性转化的Nomogram预测模型构建研究2000字】.docx

急性脑梗死出血性转化的Nomogram预测模型构建研究

目录

TOC\o1-2\h\u26315急性脑梗死出血性转化的Nomogram预测模型构建研究 1

211031.1研究目的 1

292431.2资料与方法 1

64281.3研究结果 2

180091.3.1Nomogram预测模型建立 2

314761.3.2Nomogram预测模型的区分度评价 3

6074.3.3Nomogram预测模型的校准度评价 3

117341.4讨论 4

研究目的

初步探索急性脑梗死出血性转化的风险预测模型，为临床医生预测出血性转化发生的概率提供量化工具，以提高出血性转化的风险预测能力。

资料与方法

配对病例-对照研究中通过条件logistic回归筛选出的急性脑梗死出血性转化的独立相关因素，即：房颤史、糖尿病史、大面积脑梗死、溶栓治疗、介入治疗、D-二聚体、血小板计数、甘油三脂，由于甘油三脂受饮食因素影响大，且缺失值较多，为减少偏倚，在此次预测模型中将其删除，将其余因素纳入预测模型，使用RStudio及R4.0.3处理数据，利用rms、Hmisc、lattice、survival、Formula、ggplot2程序包进行nomogram绘制。nomogram具体绘制步骤如如下：

#加载数据

Case-read_excel(Case.xlsx)

View(Case)

#打包数据

dd=datadist(Case)

options(datadist=dd)

#构建cox比例风险预测模型

f-lrm(Group~糖尿病史+房颤史+血小板计数+NLR+D二聚体+大面积脑梗死+溶栓+介入治疗+nihss,data=Case)

#绘制列线图

nom-nomogram(f,fun=function(x)1/(1+exp(-x)),

lp=F,funlabel=Risk)

#输出列线图

plot(nom)

模型建立后通过bootstrap法进行内部验证，内部验证的内容包括模型的区分度与校准度的评价。区分度代表研究建立的预测模型能正确区分发生某结局事件和未发生某结局事件人群的水平及能力，评估区分度的方法有很多种，对于二分类变量，通常使用ROC曲线或C统计量进行特征描述，来评价临床预测模型识别HT的可靠性，一般来说，ROC曲线下面积或C统计量小于0.60表示鉴别能力差，0.60到0.75表示可能助于辨别，超过0.75表示具有良好的鉴别能力。校准度也是模型最重要的属性，它反映了模型正确估计绝对风险的能力，通常通过绘制校准曲线来评估模型预测值与实际观测值的相符程度，从而评估模型预测准确度。

研究结果

Nomogram预测模型建立

将筛选出的危险因素纳入预测模型，通过R软件将初步建立nomogram风险预测模型，如图4-2。

图4-2急性脑梗死出血性转化的nomogram风险预测模型

Nomogram预测模型的区分度评价

本研究利用ROC曲线来评价该模型的区分度，见图4-3，ROC曲线下面积为0.891（95%CI：0.826-0.955），提示本研究建立的预测模型能较好的区分出血性转化患者和非出血性转化患者。

图4-3急性脑梗死出血性转化预测模型的ROC曲线

4.3.3Nomogram预测模型的校准度评价

本研究通过绘制校准图评价构建的临床预测模型的校准度。利用R软件绘制校准曲线（calibrationplot），如图4-4显示，横坐标代表模型预测概率，纵坐标代表实际发生概率，列线图的校准曲线与预测曲线较为接近，提示本研究建立的急性脑梗死出血性转化的风险预测模型可以较好的评估急性脑梗死患者发生出血性转化的真实概率。

图4-4急性脑梗死出血性转化预测模型的校准图

讨论

以往研究开发了多种评价量表来预测静脉溶栓后出血性转化的风险，旨在建立一套临床有效预测出血性转化的评分系统，不同的风险评级模型也在急性脑梗死患者中得到了验证。目前，临床应用主要有HAT，SEDAN，MSS，GRASPS评分等ADDINEN.CITEADDINEN.CITE.DATA[112,167-169]，但是上述量表均由国外相关研究提出，对不同种族、不同人群的预测能力是否相同仍有待商榷。MuLiADDINEN.CITEADDINEN.CITE.DATA[170]等人对不同评分进行横向比较后发现，只有MSS评分和GRASPS评分对中国人群出血性转化具有更好的预测价值。然而，由于对连续性变量（如血糖、NIHSS评分、年龄、血压BP等）使用二分类法分类，这些评分对出血性转化的与预测