预测模型前沿技术：临床动态预测模型-1总论篇

一、序言

临床风险预测模型(clinical prediction model, CPM)可预测个体的疾病风险，对疾病预防、治疗和预后管理等决策有重要价值。现有CPM绝大部分是仅使用基线t0时刻(如个体研究入组、患者确诊或开始治疗等具有临床意义的时间点采集)采集的横断面数据的静态模型(logistic或cox为主)，未考虑疾病进展过程中指标变化(time1-timen的多次重测数据cov1-covn)，从而导致结局预测准确性下降，常表现为校准度欠佳，被称为“校准漂移”（calibration drift）。Goldstein BA 的研究也指出虽然越来越多使用电子健康记录数据开发CPM，但只有不到 9% 的CPM 利用了时变的预测变量。

近年来，动态预测模型弥补了静态的缺陷，可纳入随访期间同一指标的重复测量的纵向数据，捕捉个体特征随时间的纵向变化趋势，描述个体疾病风险的动态轨迹并提高模型的预测精度。Suresh K提出通过联合预测因子的基线和纵向数据捕捉个体特征随时间变化的动态预测模型(dynamic prediction model)。

二、理论

要说清楚动态预测首先要熟悉预测模型，后者为分诊断、风险、预后预测，本文阐述的内容均为

“

基于纵向队列的发病风险/预后预测，即有随访/重复测量指标和结局的研究。

”

2.1 预测时间窗

纵向队列与预测模型的时间窗术语见下图。

Landmark (界标)时间相当于预测时间，即开始评估个体发病/预后的时间。Horizon(地平线)时间是预测适用的时间段的结束时间。例如，QRISK 模型是为了预测 10 年的心血管疾病风险，因此时间跨度是landmark time+ 10 年。观察窗口指的是观察患者的协变量历史的时间段，它总是先于界标/预测时间。最后，预测窗口是地标时间和地平线时间之间的时间段。

2.2 动态数据分析7方法

Lucy M. Bull利用meta分析策略搜索“临床动态/重复/时间关联模型”产生了 10 615 个结果，经过标题筛选文摘筛选和全文评审最终留下217篇文章。Lucy M. Bull将重复观察/动态数据方法归纳为7种，时间相关协变量建模（TDCM）、广义估计方程（GEE）、界标分析（LA）、两阶段建模（TSM）、联合-建模 (JM)、轨迹分类 (TC) 和机器学习 (ML)。其中ML、landmark、two-stage、joint方法为主流，当然各个方法均有各自的独特的优势和用途。

2.3 7方法的应用场景、优缺点总结如下(文末附件有原表)。

三、实战统计的动态划分

小编结合个人的理解与pubmed文献核心词，将动态预测划分为广义与狭义，有些SCI文章其实用的就是常规cox只是结局绘制135年nomogram也阐述为动态。所谓动态，广义可以理解为预测模型仅利用1次t0基线的cov0数据，然后随访time为1年、3年、5年的outcome，这种时间变动y，cov0却不变(始终cov0)的广义动态模型，即得到135年3个静态模型；严格意义上的动态模型，则指代为同时利用多次随访time的covs (cov0~covn)数据，动态更新模型。

小编思维导图内容也许不全面，也可能错误，还请各位老师们留言不吝赐教。导图种每个动态预测方法都是一个庞大的统计方法学系列，故本文只是一个小编总结的总论，后面R代码与方法学慢慢逐篇总结。

四、小结

“

动态预测模型主流方法首推Landmark、ML、two-stage、joint model 4种。

”

本文隐藏2个福利：

1. 请回复“动态预测模型总论”，获取本文精美思维导图和7法图表及PDF原始文献。
2. 后台很多小伙伴咨询2群的开通，本文再次一并说明下。群1其实氛围还是挺好的，热心的小伙伴还是挺多，但是小编平时也是很忙的问题也不可能一一回答。希望扫码进群2的朋友能多多分享你身边的好文章，好学术会议，而不是进来就潜水占着位置，这样也是浪费你的5G流量，达不到真正交流合作的目的。小编希望，你认真看一看本公众号聊天窗口的“加我需知”再决定加入，群2依旧为实名制，群1潜水的小伙伴就请不要再加入群2。小编希望进来的都是将来也许能合作面对面的朋友，如果你接受就请按照下面的说明操作。群2个人信息备注：姓名-学校(单位)-专业。满员了加我微信popnie，实名制留言