今天分享一篇过于大肠癌预测的研究文献，该文纳入的模型包括logistic和神经网络。巧妙的是，作者把两个预测模型都转化成得分系统，十分有意思，一起来学习吧~
Reference: Risk Scoring Systems for Predicting the Presence of Colorectal Neoplasia by Fecal Immunochemical Test Results in Chinese Population在许多国家，大肠癌（CRC）筛查已成为常规项目。其中，粪便隐血（FIT）由于可及性好、成本低、准确性较高，已成为大肠癌初筛的常用方法。对于FIT阳性患者，则可建议其前往医院做进一步的结肠镜检。尽管联合FIT和结肠镜检，使得大肠癌发病率和患病率有所下降。但是，该方式存在一个很大不足，即其往往容易忽略掉非出血性结肠病变患者。因为FIT试验对出血性病变比较敏感，而对非出血性病变不敏感。当前，结肠镜检并不是非出血性病变患者的常规筛查项目，因此，仅通过FIT检测，大约会遗漏15%的CRC和70%的早期病变。
另一方面，对于FIT阳性者，由于健康意识或家庭经济等原因，并不是所有患者都会去参加结肠镜检。那就意味着，即使对于FIT阳性的人，也可能错过早期诊断的机会。一项关于上海居民的研究显示，仅39.8%的阳性人群会参加结肠镜检。既往研究显示，出血性和非出血性大肠癌在生物学特征、肿瘤基因型和进展等方面都存在差异。例如，FIT阳性中发现的大肠癌患者，大多是左侧癌，且遵从腺癌→癌的演变路径；而FIT阴性中发现的大肠癌患者，大多是右侧癌，且多为锯齿状癌。与此同时，出血性和非出血性大肠癌的危险因素也存在很大差异。例如，大肠癌家族史是FIT阴性患者发生晚期结直肠癌的风险因素，而对FIT阳性患者没有统计学意义。因此，针对FIT试验结果，开发有针对性的大肠癌筛查模型十分有必要。首先，对于FIT阳性的人，风险预测可能进一步促使他们参加结肠镜检；对于FIT阴性的人，风险预测可以进一步识别其中的高风险人群，避免漏诊。
本研究主要目标是：按照不同的FIT结果（阳性和阴性），分别构建全人群和参与结肠镜检人群的大肠癌风险预测模型。与此同时，作者还将自己构建的预测模型，与如下2个方法进行比较，1）我国目前推荐的风险因素+FIT筛查方法；2）作者先前构建的评分模型（纳入了FIT）。但后两种方法都没有考虑到出血性和非出血性之间的差异。该研究数据来自2013年上海市一项大肠癌筛查项目（横断面设计），研究对象50-74岁，先前没有大肠癌病史。所有参与者都会完成两项调查，其一是大肠癌危险因素调查问卷，其二是两个FIT样本采集工具，用于粪便隐血检测。如果两项中有一项阳性，将推荐其进一步做结肠镜检。至于如何根据问卷部分判断为结肠癌高风险人群，其标准介绍如下。两次FIT样本的采集间隔为1周，其阳性检出限为100 ng Hb/mL。本研究结局有两种定义方式，1）90天筛查内的大肠癌患者；2）筛查漏掉的以及2年筛查期内的大肠癌患者。此外，作者还针对参加了结肠镜检的高风险人群开展预测分析。本文的样本筛选流程图如下。研究采用8：2策略将数据划分为训练和验证集。纳入的预测模型有两个，分别是：logistic回归和人工神经网络（ANN）。首先，采用单变量logistic回归进行分析，将P<0.10的变量进一步纳入多变量logistic回归分析，最后采用多变量logistic回归中有显著性的构建预测模型。本文为进一步推动预测模型的实践，将预测模型的回归系数转化为得分系统。对于logistic回归，转化为得分系统是有标准流程的，在往期推文（重磅：一步步教会你制作预测模型的风险得分工具（Risk Score Tool））有做过详细分享哦。但是，对于ANN，一般来说其结构复杂，很难直接应用。为此，作者也采用得分系统进行转化，具体计算公式如下图（1）所示，得到的C即为变量对于结局的贡献程度。接着，将C乘以logistic回归中对应变量的系数，即可按照相同方式转化为得分系统了。
对于模型评价，作者纳入了众多指标，包括AUC、校准度、净重分类改善指数（NRI）、综合判别改善指数（IDI）、灵敏度、特异度、高风险人群占比、检出率（detection rate）、为了发现1个病人需筛查的人数、为了发现1个病人需要开展结肠镜检的人数。
此外，作者还开展了2个敏感性分析，1）由于多数人只做了一次FIT，因而重新采用1次FIT来定义结局；2）将遗漏和1年内随访期的大肠癌患者纳入研究。
（1）描述性分析：对比了全人群和参与镜检人群中，FIT阳性与FIT阴性者的基线资料差异（截取部分表格）（2）单因素+多因素：单因素筛选P<0.10的因素，进一步纳入多因素logistic回归分析（截取部分表格）。
（3）logistic回归得分系统：下表展示的是基于logistic回归系数，制作的得分系统，即将每个因素的回归系数赋分，分值越高，大肠癌风险越高。类似第，这里对不同人群和不同FIT进行分层构建。可以发现，全人群FIT阳性和阴性的最终得分范围分别是0-10、0-14分；而镜检人群中FIT阳性和阴性的得分范围是0-17、0-9。（4）ANN得分系统：本文妙在把ANN这一复杂模型也转化为得分系统了。下表中contribution表示每个因素对结局的贡献率，接着基于贡献率和logistic回归中该变量的回归系数，即可得到相应分数。对于4种不同情况，ANN得分系统的分数范围分别是0-10、0-17、0-14、0-9。
（5）得分系统性能：下表展示了不同人群不同FIT结果下，风险得分系统的预测能力，可以发现LR-based略好于ANN-based模型。注意，作者还给出了将FIT阳性和阴性合并后的模型，且模型性能显然比FIT分开后要好。
（6）不同方法对比：本文还将FIT特异性模型与一般筛查策略（风险因素评估和FIT试验）、纳入FIT测试结果的得分系统（基于logistic回归和FIT测试的得分系统）进行比较，可以发现不同方法侧重点不同，如一般筛查策略的灵敏度略高，基于LR和FIT的得分系统特异度较高等。这里值得一提的是，作者使用的模型评价指标，除了经常使用的灵敏度、特异度外，还有几个特殊指标，平时使用不是特别多，且文中没有详细介绍其含义。小编查阅一些资料后，对其介绍如下。1）高风险人群占比，指的是预测模型识别的高风险人数占总人数的比例，个人认为该值越接近人群患病率越好，超过该值说明误诊多，低于该值说明漏诊多；2）检出率，指的是筛查出的真阳性患者占总人数的占比，例如一般筛查策略的检出率为0.25%；3）需筛查人数，指的是为了发现一个真阳性患者需要筛查的人数。（7）敏感性分析：附表2-5展示了两个敏感性分析的结果，基本上与正文结果类似，说明结果稳健。
一点统计 统计学习第一站，陪有梦想的你一起成长，每晚22点22分准时分享。
278篇原创内容
公众号
