一、風險預測模型簡介
風險預測模型是一種利用數據和統(tǒng)計方法，旨在預防和預測風險的技術。
該技術已被用于多個學科領域。在醫(yī)學領域，風險預測模型能夠充分利用患者現有的臨床和生物學數據，估計特定個體當前患有某病或將來發(fā)生某結局的概率，并按照概率的大小分層，以供評估者對不同風險概率的群體在臨床實踐中開展針對性干預[1]。此模型多用于疾病嚴重程度分層、揭示疾病或疾病預后的風險特征，從而指導臨床決策[2]。
具體風險預測模型類型有很多，在護理領域常用的有Logistic回歸模型、生存分析模型、決策樹模型等。
Logistic回歸模型：
這是一種常用的二分類模型，通過建立一個線性模型和一個sigmoid函數來預測患病的概率。它可以通過最大似然估計來估計模型的參數，具有簡單、可解釋性強的特點。
生存分析模型：
主要用于預測患者的生存時間或事件發(fā)生的風險。其中，Cox比例風險模型是最常用的生存分析模型之一，它可以考慮多個危險因素對患病風險的影響，并計算危險比（Hazard Ratio）。
決策樹模型：
通過構建一棵樹形結構來預測患病風險。它通過一系列的分裂準則將樣本劃分為不同的子集，最終得到一個預測模型。決策樹模型具有可解釋性強、易于理解和實現的優(yōu)點。
風險預測模型的構建和驗證需要大量數據和專業(yè)知識支持。隨著新技術發(fā)展，大型醫(yī)療數據庫的建立為風險預測模型的構建和驗證提供了機會[3]。
在應用風險預測模型時，需要注意模型的泛化能力、解釋性和穩(wěn)健性，以確保模型的準確性和可靠性[4]。在應用風險預測模型時，需要充分考慮其局限性，并根據實際需求和場景選擇合適的模型。同時，也需要持續(xù)監(jiān)測和更新模型，以確保其準確性和可靠性[5-6]。
二、護理核心期刊2023年發(fā)表的“風險預測模型”文章
在知網檢索“風險預測模型”可得到相關文章發(fā)文量、文獻來源分布、基金支持等信息。
首先，“風險預測模型”文章的發(fā)文量逐年增加，如下圖所示。
其中文獻來源分布結果顯示，護理領域發(fā)文量占有一定比例。
基金分布結果顯示，“風險預測模型”文章受到國家自然科學基金、國家重點研發(fā)計劃、河南省科技攻關計劃等多個基金項目支持。
經小編統(tǒng)計，在2023年，護理核心期刊發(fā)表“風險預測模型”文章共計86篇，期刊依次為護理研究（19）、軍事護理（17）、中華護理雜志（16）、中國護理管理（14）、護理學報（10） 、護理學雜志（10）。
研究主題依次為慢性病/老年（30）、外科（21）、急重癥（13）、腫瘤（12）、婦產（8）、其他（2）。
三、構建風險預測模型的過程
我們通過學習一篇2023年發(fā)表在《中華護理雜志》上的范文[7]來了解風險預測模型的構建和效果驗證過程。
研究目的：
建立預測連續(xù)性腎臟替代治療（continuous renal replacement therapy,CRRT）體外循環(huán)裝置凝血風險的模型，并驗證模型的應用效果。
研究方法：
采用便利抽樣法，收集2021年4月—2022年1月在常州市某三級甲等醫(yī)院行CRRT的患者320例，按照是否發(fā)生體外循環(huán)裝置凝血分為凝血組（n=98）和非凝血組（n=222），將兩組的各項指標進行對比并應用二元Logistic回歸構建預測模型，采用Hosmer-Lemeshow判斷模型的擬合度，采用受試者操作特征曲線（receiver operating characteristic curve,ROC）的曲線下面積檢驗模型預測效果。將2022年2月—6月行CRRT的160例患者作為驗證組，驗證模型的臨床應用效果。
研究結果：
體外循環(huán)裝置凝血發(fā)生率為30.6%，最終納入模型的預測變量為連續(xù)性靜脈-靜脈血液透析（continuous venovenous hemodialysis,CVVHD）(OR=2.482)、連續(xù)性靜脈-靜脈血液濾過（continuous venovenous hemofiltration,CVVH）(OR=2.724)、枸櫞酸抗凝（OR=3.425）、阿加曲班抗凝（OR=3.150）、無肝素抗凝（OR=9.103）、血泵停泵（OR=4.114）、血流量不足（OR=2.769）、血小板計數（OR=1.005）和活化部分凝血活酶時間（OR=0.859）。風險預測模型公式為P=1/[1+exp(-0.866+0.909×CVVHD+1.002×CVVH+1.231×枸櫞酸抗凝+1.147×阿加曲班抗凝+2.209×無肝素抗凝+1.415×血泵停泵+1.018×血流量不足+0.005×血小板計數-0.152×活化部分凝血活酶時間)]。
該模型ROC曲線下面積為0.865，最大約登指數為0.584，靈敏度為75.50%，特異度為82.90%。
模型驗證結果：
靈敏度為84.10%，特異度為79.31%，準確率為80.63%。
研究結論：
該研究構建的模型預測效果較好，可為臨床識別CRRT患者凝血的發(fā)生及實施預防性護理提供借鑒。
構建風險預測模型的過程：
1. 確定目標：
首先需要明確風險預測模型的目標，如預測連續(xù)性腎臟替代治療體外循環(huán)裝置凝血風險的發(fā)生概率。因此，本研究的因變量為是否發(fā)生體外循環(huán)裝置凝血。
2. 數據收集：
根據目標收集相關數據。數據的質量和數量將直接影響模型的準確性和可靠性。本研究為回顧性研究，數據來自血液凈化信息系統(tǒng)或病歷，研究者統(tǒng)一資料標準，一人收集一人核查。因此，本研究納入的自變量包括一般資料、原發(fā)病類型、合并癥情況、實驗室檢查資料（如連續(xù)性靜脈-靜脈血液透析、連續(xù)性靜脈-靜脈血液濾過、枸櫞酸抗凝等）。
3. 變量篩選：
從收集到的數據中，選擇與風險預測相關的變量。這一步旨在去除無關或冗余的變量，以提高模型的精度和可解釋性。
4. 模型選擇：
根據目標和數據特征，選擇合適的預測模型，包括統(tǒng)計模型、機器學習模型或人工智能模型等。本研究采用二元Logistic回歸構建風險預測模型，選擇逐步向前Wald χ2法篩選獨立危險因素。
5. 模型訓練和調整：
利用選定數據對模型進行訓練，并調整模型的參數和結構，以優(yōu)化預測性能。
6. 模型評估：
使用獨立的測試數據集對訓練好的模型進行評估，計算模型的預測精度、誤差率等指標，以確保模型的可靠性和泛化能力。本研究采用Hosmer-Lemeshow判斷模型的擬合度，采用受試者操作特征曲線下面積檢驗模型預測效果，在2022年2月—6月收集符合標準的160例患者作為獨立數據驗證該模型。
7. 模型部署：
將訓練好的模型部署到實際應用中，用于預測風險事件或評估風險水平。
8. 持續(xù)監(jiān)控和更新：
在模型實際應用過程中，持續(xù)監(jiān)控數據的動態(tài)變化，以及模型的表現。當數據或環(huán)境發(fā)生變化時，及時更新模型以保持其預測精度和可靠性。
由目前文章發(fā)表情況推測，風險預測模型的探究與應用會越來越普遍。偏臨床的課題可以考慮這個方法，風險預測模型具有較大的臨床實用價值，大家抓緊時間學起來吧。
以上為本次分享全部內容，全文干貨，歡迎點贊收藏～
參考:
[1] 張蕊,鄭黎強,潘國偉.疾病發(fā)病風險預測模型的應用與建立[J].中國衛(wèi)生統(tǒng)計,2015,32(04):724-726.
[2] 李佳圓.中國乳腺癌危險因素研究現況及其風險預測模型研究展望[J].中國循證醫(yī)學雜志,2020,20(07):745-748.
[3] 李金金. 天津市慢性病隊列研究及風險預測模型的建立[D].天津醫(yī)科大學,2019.
[4] 俞曉慧,章新瓊,楊勝菊等.糖尿病患者低血糖發(fā)生風險預測模型的系統(tǒng)評價[J].中華護理雜志,2022,57(15):1830-1839.
[5] 郭迎坤,李靈,袁苗等.胎兒生長受限風險預測模型的研究進展[J].中國計劃生育和婦產科,2023,15(12):29-31.[6]凌敏,王霄一,章晉等.維持性血液透析患者心血管事件風險預測模型的研究進展[J].中國血液凈化,2023,22(10):772-775.
[7] 胡璐璐,牛洪艷,韓小云等.連續(xù)性腎臟替代治療體外循環(huán)裝置凝血風險預測模型的構建與驗證[J].中華護理雜志,2023,58(15):1845-1851.
特別聲明：智慧醫(yī)療網轉載其他網站內容，出于傳遞更多信息而非盈利之目的，同時并不代表贊成其觀點或證實其描述，內容僅供參考。版權歸原作者所有，若有侵權，請聯(lián)系我們刪除。
凡來源注明智慧醫(yī)療網的內容為智慧醫(yī)療網原創(chuàng)，轉載需獲授權。
智慧醫(yī)療網 ? 2022 版權所有 ICP備案號：滬ICP備17004559號-5
