目的基于最優(yōu)子集法建立腸道準備預測模型,量化評估影響腸道準備的預測變量。方法選取2017年1月至2019年10月在廣東省中醫(yī)院總院消化內科行結腸鏡檢查的門診及住院的患者。分別運用向前逐步和最優(yōu)子集法在訓練集中建立logistic回歸模型,并在測試集中評估兩個模型的ROC曲線下面積（area under the ROC curve,AUC）、凈重新分類改善指數（net reclassification index,NRI）、綜合判別改善指數（integrated discrimination improvement,IDI）等指標。結果研究共納入了455例患者,其中病例組195例,對照組260例。經最優(yōu)子集模型篩選出的4個預測變量為高纖維飲食、糖尿病、便秘史、術前活動,AUC值0.873（0.819～0.926）。兩個模型間的AUC值、NRI、IDI均差異無統(tǒng)計學意義,但最優(yōu)子集模型更為簡潔。結論最優(yōu)子集法模型能更簡潔、有效地篩選出影響腸道準備的因素,根據這些因素建立的列線圖能為醫(yī)護人員提供有效的指導。 

【文章來源】：中國實用內科雜志. 2020,40(03)北大核心

【文章頁數】：6 頁

【部分圖文】：

基礎模型與最優(yōu)子集法模型的ROC曲線對比

目前國內外對于預測結腸鏡檢查前影響腸道準備危險因素的研究雖然比較多，但很多方面尚存爭議。造成這個問題的原因，除了有研究設計的因素也有統(tǒng)計學層面的因素。影響腸道準備的危險因素數量眾多，彼此間相互聯系，當涉及研究的樣本量不足或在建立統(tǒng)計學模型時沒有處理好彼此間的影響時，很可能會得出截然不同的結論。本研究的基礎模型采用向前逐步Logistic回歸，這種算法先通過前向逐步回歸添加特征，然后檢查是否有特征不再對提高模型擬合度起作用，如果有則刪除[10]。但是逐步回歸技術會遇到非常嚴重的問題：對于一個數據集，你先用前向逐步回歸，然后再用后向逐步回歸，可能會得到兩個完全矛盾的模型。最重要的一點是，逐步回歸會使回歸系數發(fā)生偏離[11]。為此，本研究采用了最優(yōu)子集法建立新的模型進行對比。在最優(yōu)子集回歸中，算法使用所有可能的因素組合來擬合模型，選擇BIC中最小的模型為最佳模型。但如果納入的因素過多的話，因素組合也會大量增加，工作量就會非常大[12]。在單因素分析中（表1），我們可以觀察到有13個預測變量是有顯著統(tǒng)計學意義的，但經過多因素調整混雜因素后，在基礎模型和最優(yōu)子集模型則分別只有5個和4個預測變量有統(tǒng)計學意義。大部分研究認為，便秘是影響腸道準備的因素[13-14]，而Cheng等[15]認為，便秘不是腸道準備差的危險因素。Yadlapati等[3]也認為，便秘不是危險因素，而較低的經濟水平（OR 1.11;95%CI 1.04～1.22）、服用鴉片類藥物或三環(huán)抗抑郁藥（OR 1.55;95%CI 0.98～2.46）、在下午行結腸鏡檢查（OR 1.66;95%CI 1.07～2.59）是影響腸道準備差的危險因素。與許多文獻的結論一樣[16]，本文的研究也認為，便秘是影響腸道準備的關鍵因素（OR 12.1;95%CI 6.018～24.329）。與其他研究不同的是，我們認為，便秘作為胃腸動力障礙的一種表現，可能與多種因素相關，例如長期使用阿片類藥物、抗膽堿能藥物，合并中風、糖尿病等。也就是說，便秘這個危險因素可能和多個因素有交互作用，當研究把這些因素都納入分析時，可能會均攤降低了便秘的作用，從而低估了便秘的風險。本文的研究并沒有納入影響便秘的藥物服用史，因而便秘的OR值比其他研究高。


本文編號：3037260