临床预测模型：变量筛选及常见误解

临床预测模型：变量筛选及常见误解

引用

网易

1.

https://www.163.com/dy/article/JMMMQKMV0514AGEL.html

在开发临床预测模型时，如何在保证模型性能的同时实现变量精简是一个重要课题。本文将探讨变量筛选的挑战、常见误解，并提供实用的建议。

变量选择的挑战

选择适当的变量选择方法可能具有挑战性，因为可用的方法种类繁多。Sanchez-Pinto等人进行了统计模拟，比较了八种基于回归和树的变量选择方法。他们的研究发现，在小于20 EPV的小型数据集中，基于回归的方法在简约性上表现更佳，而在大于300 EPV的大型数据集中，基于树的方法表现更优。Hastie等人比较了几种基于回归的变量选择技术，包括最佳子集选择、前向选择和lasso。他们得出的结论是，在高信噪比（SNR）条件下，最佳子集选择方法通常优于其他方法，而lasso在低SNR条件下表现更好。Hanke等人发现，在具有相关预测变量和低SNR的高维场景中，lasso的表现优于最佳子集选择方法。

使用基于回归的方法（例如逻辑回归）时，考虑到R²（Nagelkerke）往往较低。因此，当面对大量预测变量和变量之间的强相关性时，建议优先考虑lasso方法。然而，需要强调的是，变量选择不应仅仅依赖于统计技术，还应结合临床背景专业知识和以往文献的证据。

变量选择中的误解

临床中有两个常见的误解需要注意：

1. 先进行单变量分析，然后将p值低于预设检验水准（例如0.05或0.10）的变量纳入后续的模型构建中。
2. 将p值大小等同于变量对模型贡献的大小，认为较小的p值意味着更大的贡献。

这两个问题可以通过一个实际例子来说明。

在一项研究中，分析4个预测变量（x1, x2, x3, x4）与结果之间的关系。我们观察到x4在单变量分析中的p值为0.25，这表明根据0.05的检验水准，它可以被排除在进一步分析之外。

然而，如果仍把x4考虑在后续的模型中，使用BIC（越低越好）、AICc（越低越好）和均方根误差（RMSE，越低越好）这些指标进行最优子集选择时，最佳模型包括x1、x2和x4（结果见下表）。

也就是说，如果我们根据单因素分析的p值排除了x4，那在后续分析中就会认为最优模型可能是x1和x2，这就错过了真正的最优模型。

此外，值得注意的是，尽管多因素回归结果显示x4的p值低于x2（0.04 vs. 0.08），但x4的变量重要性小于x2（0.29 vs. 0.30）。这一差异突显了p值所提示的统计学意义与实际变量重要性之间的不一致，进一步强调了仅依赖p值进行变量选择的局限性。

建议

考虑到回归分析中的R²往往不那么高（这在医学中十分常见），lasso方法进行变量筛选是比较推荐的。

而且，不建议仅依赖p值进行变量选择，尤其在以下情况下：

1. 临床知识和之前的研究表明该变量可能对结果有显著影响。这时即使该变量没有统计学意义，也不要粗暴删除，更多的需要考虑一下为什么没有出现统计学意义。
2. 该预测变量与其他变量存在强相关性。 这种情况下很容易出现结果的偏倚，不要太相信p值。
3. 该预测变量与其他预测变量的相关性较弱，但其相关性方向与其他预测变量一致（例如，全部为负相关或全部为正相关）。例如，在上面的例子中，x1、x2、x3和x4之间存在一致的负相关性，其相关系数分别为-0.15、-0.15和-0.11。

总结

很多临床医师都不大关注变量如何筛选，就是把数据往软件里一扔，出来什么就是什么。这就偏离了“临床应用模型”的初衷。变量筛选一定要综合统计学和临床专业一起考虑，既要从统计学角度看数据，又要从临床角度看结果。这样才能保证结果经得起临床实际应用的检验。