拜托你学学吧！可以一篇学懂列线图❗❗

Nomogram 列线图简介

诺模图（Nomogram）：一种图形化的计算工具，用于通过将多个变量的影响集成到一个单一的数值评分上，以预测某个特定事件的概率，评估患者的疾病预后、生存率等。

今天小光和大家分享一篇发表在 Gastric cancer (IF=6) 的文章，非常适合学习列线图。

标题：使用Nomograms预测接受联合细胞毒性化疗作为一线治疗的不可切除或转移性胃癌患者的生存率。

研究对象：949例化疗的胃癌患者，观察终点是1年后患者的生存情况。
研究方法：Cox生存分析，预测模型的展示方法是Nomogram列线图。

图表一：Flowchart 流程图

第一个图是大家最熟悉的流程图，流程图几乎每篇文章必备。本研究收集了2001年至2006年共计1327例接受化疗的胃癌患者，排除328人，剩余949人进入Cox模型。

表一：研究人群描述

从表一开始，文章的独特之处就可以显现出来：作者将人群分成了两组，一组是基线列线图人群，一组是基于化疗反应列线图人群。

两个模型结合为医生提供化疗决策的帮助，分别对患者化疗前的风险和化疗后的反应进行预测。

根据Cox模型，纳入列线图的危险因子。表二展示了预测模型用到的变量，同时展示了每个危险因子的HR风险比。

换句话说，当一个胃癌患者来了之后，首先可以通过基线数据进行风险评估预测；患者化疗后，可以通过初期化疗反应再进行评估，决定是否继续化疗。

表二：预测因子筛选

预测因子的筛选

预测模型的难点在于预测因子的筛选。这篇文章描述得非常清楚，适合作为学习参考。

文章描述：文章首先使用基础模型和年龄调整模型进行单因素分析，定义出来潜在的危险因素，然后使用前进、后退、逐步分析方法在多因素模型中筛选出最佳模型。

同时，在这个表中最下一列，展示了两个模型的最大差异之处：化疗后9周内的反应。基线nomogram中没有这个变量，而基于化疗反应的nomogram则使用了该变量。

图二：Nomogram 列线图

最后一步就是展示列线图了，有了前面表二的铺垫，图二分别展示了两个模型的nomogram，一个基于基线资料预测，另一个基于化疗初期反应预测。

两个模型的C-index分别是0.656（95%CI，0.628-0.673）和0.718（95%CI，0.694-0.741），模型表现良好。

图四、表三：校准曲线和风险分层

最后的图和表作为文章的辅助材料：

• 校准曲线：实际风险和预测风险的对比，曲线接近对角线，说明预测效果较好。
• 风险分层：按照风险大小展示了每组人数及中为生存时间，从侧面说明了患者生存时间的显著差异。

第二个图则是 按照风险大小进行分层， 分别展示了每组的人数和中为生存时间。从侧面说明了不同风险值患者的实际生存情况， 让大家对生存时间有更直接的认识。

按风险进行分层

以上就是这篇文章的全部内容啦，我们简单整理一下思路：

作者通过对医院进行化疗患者数据挖掘，建立了两个模型：一个是在化疗开始前进行预测评估， 另一个是在化疗期间，通过化疗反应进行预测后评估。 2个模型是文章的最大亮点， nomogram作为载体展示了预测模型的结果，较为新颖。

科室特定疾病数据的挖掘是一种非常常见的思路来源，也是大专家容易掌握的临床科研方法。 如果你有条件收集数据，但苦于科研基础差，不想浪费了数据，那么不妨找光速医学的老师指导你收集数据，发挥更大的价值！

但是，如果你没有条件，或者不想收集数据，那么 挖掘公共数据库 是一个性价比很高的发文方式。

像 SEER、NHANES、MIMIC、GBD 这些数据库，有海量数据可供选择， 利用别人的数据发自己的 SCI 真的很香。