科研说明书啊，6步完成一篇预测模型Meta

随着预测模型的快速发展，预测模型Meta分析的文章量也在快速上升。

对预测模型不够了解的同学来说，想要抓住机会，发表一份高质量的预测模型Meta还存在一定小困难。

今天我们就通过一篇高分文献，来系统了解下预测模型Meta的制作流程。👇

标题：How to conduct a systematic review and meta-analysis of prognostic model studies

预测模型Meta分析的制作流程

随着预测模型的快速发展，预测模型Meta分析的文章量也在快速上升。对预测模型不够了解的同学来说，想要抓住机会，发表一份高质量的预测模型Meta还存在一定小困难。

刚开始有很多的疑问，比如：

❌ 我们在进行数据提取的时候，应该如何进行提取？
❌ 是提取建模数据，还是内部验证数据，亦或是外部完整数据呢？
❌ 特别是有几个模型的时候，我该如何取舍呢？
❌ 预测模型的评估指标有挺多的，又应该如何取舍呢？

今天我们就通过一篇高分文献，来系统了解下预测模型Meta的制作流程。📌

文献信息：
📄 How to conduct a systematic review and meta-analysis of prognostic model studies
📕 Clin Microbiol Infect. 2023 Apr;29(4):434-440.

这篇文献分享的是预后模型的Meta分析，其实诊断类模型的Meta分析也是类似的制作流程。

文章总结的6个步骤

文献总结了6个步骤，下面我们依次拆解这6步：

🔴 步骤一：developing the review question

首先，我们肯定是要确立一个可执行的选题，我们可以采用PICOST进行，这与传统的Meta分析运用的PI(E)COS相差不大。

PICOST 解释：

Population：研究对象（如确诊或疑似COVID-19的患者）
Index model：所有可用的预测模型
Comparator model：不适用
Outcome：所有结局（如死亡率、ICU入院、病情加重）
Timing：预测时机（如COVID-19诊断时或短期内）
Setting：住院患者或门诊患者

文章中给出了案例示范，帮助我们更好理解PICOST。在不同的预测模型Meta分析中，PICOST的应用会稍有不同。

🎯 步骤二：Searching and selection of articles

预测模型Meta分析中的文献检索和传统的Meta分析稍微不太一样。原文给出了相应的检索策略，而筛选文章的原则和传统Meta分析无差异。

文献检索通常包括数据库如MEDLINE和Embase，但因为很多研究并不会明确标注为“预测研究”，所以在检索时需要使用关键词如：

“prognosis”, “prediction”, “predictive”, “risk factors”, “models”, “algorithms” 等
预测模型研究可能基于前瞻性或回顾性队列研究、随机试验数据、常规护理数据注册库等多种研究设计

由于这些研究的搜索范围通常较广，需要结合PICOTS元素进行筛选。最终，文献筛选可能需要依靠标题、摘要和全文进行严格的筛选。

🔴 步骤三：Data extraction

采用预测模型研究的 CHARMS清单，但该部分的内容仍然离不开 PICOST。提取的内容包括：

数据来源
参与者
预测结局
筛选因子
样本量
缺失数据
模型建立
模型性能
模型评价
结果
解释和讨论 等方面。

原文提到，CHARMS清单 专门用于指导 预测模型研究 的数据提取，关键的信息提取仍需基于 PICOTS。

🔴 步骤四：Quality and risk of bias assessment

预测模型的Meta分析采用 PROBAST 工具进行风险评估，如果是完全基于机器学习的预测模型，则采用 PROBAST-AI 进行评估。

📌 PROBAST 工具可用于：

预测模型的开发
验证
更新
量化特定预测因子的 附加价值

评估包括 四个核心领域：

研究对象
预测因子
结局变量
统计分析

建议采用 图形化展示 风险评估结果，如风险评分条形图。

🔴 步骤五：Analysing data and undertaking quantitative meta-analysis

这一部分至关重要，决定预测模型系统评价Meta分析是进行：

定性综述
定量合成

📌 数据来源
预测模型Meta分析的数据主要来自外部验证数据，并且至少需要5个研究支持。

📌 建模数据是否适用？
从理论上讲，建模数据本身不适合作为Meta分析数据，但可以用于补充Meta分析的结果，以增强研究的科学性。
因此，Meta分析主要依赖于 外部验证数据，以确保模型性能评估的准确性和可靠性。

📌 Meta分析的常用评价指标：

C-statistics（衡量模型的区分能力）
OE比率（观察/预期比率）

作者建议

同一预测模型的外部验证研究 >= 5 时，才可进行Meta分析。
若验证研究较少，则以 描述性统计 方式呈现结果（如表格、森林图等）。
需确保 数据清晰展示，避免错误标注，如不妨加一根 无效线 以作参考。

🔴 步骤六：Presenting summary of findings, interpreting results, and drawing conclusions

这一部分无需过多介绍，一个小提醒：尽量把GRADE评价加上。

📌 GRADE方法简介

GRADE（Grading of Recommendations Assessment, Development and Evaluation） 方法用于评估系统综述中的整体证据质量。
目前，针对预测模型的GRADE版本尚未正式推出，但正在开发中。
在GRADE尚未完全适用于预测模型Meta分析之前，建议借鉴其指南，以改进研究中模型性能的评估。

总结

以上就是预测模型Meta分析的6大步骤！

📌 如果你对预测模型Meta分析感兴趣，最好的方式就是直接实践！