預(yù)測原發(fā)性青光眼發(fā)生風(fēng)險的分類回歸樹及列線圖模型的初步建立及評估.pdf

1、第一部分原發(fā)性青光眼的單因素和Logistic多因素回歸分析
　　 目的：通過對PACG、POAG、正常對照組的臨床資料進(jìn)行單因素和Logistic多因素回歸分析，以明確PACG、POAG的相關(guān)獨立危險因素。
　　 方法：在2009.12-2011.11期間，共篩出在復(fù)旦大學(xué)附屬眼耳鼻喉科醫(yī)院住院的PACG患者200例、POAG患者100例、正常對照組200例。通過病史回顧性收集這些患者的相關(guān)臨床資料變量，個人一般情況包

2、括：年齡、性別、是否有青光眼家族史、是否有高血壓史、是否有糖尿病史、是否有全身其他病史。臨床相關(guān)資料包括：矯正視力、屈光情況、眼內(nèi)壓、前房深度、杯盤比、中央角膜厚度、角膜曲率、眼軸、晶狀體厚度、晶狀體位置、相對晶狀體位置。同時，比較這些因素在PACG組、POAG組和正常對照組三組上的分布有無差異性，并進(jìn)行相關(guān)的Logistic多因素回歸分析。
　　 結(jié)果：在單因素分析結(jié)果的基礎(chǔ)上，對相關(guān)變量進(jìn)行Logistic多因素回歸分析后發(fā)

3、現(xiàn)，最終入組預(yù)測PACG模型的變量有糖尿病、杯/盤比、眼軸、角膜曲率、中央角膜厚度，其中除角膜曲率外，其他4個變量是預(yù)測PACG的獨立危險因素(p<0.05)。整個Logistic多因素回歸模型的C-index為0.956。最終入組POAG模型的變量有性別、高度近視、杯/盤比、眼軸，其中除性別外，其他3個變量是預(yù)測POAG的獨立危險因素(p<0.05)。整個Logistic多因素回歸模型的C-index為0.975。
　　 結(jié)論

4、：糖尿病、杯/盤比、眼軸、中央角膜厚度是PACG的獨立危險因素，而高度近視、杯/盤比、眼軸是POAG的獨立危險因素。
　　 第二部分原發(fā)性閉角型青光眼分類回歸樹及列線圖模型的初步建立及評估
　　 目的：建立并驗證預(yù)測PACG發(fā)生風(fēng)險的CART及列線圖模型，并通過與其他模型或標(biāo)準(zhǔn)比較，以明確最佳的模型或標(biāo)準(zhǔn)，從而根據(jù)該最佳模型或標(biāo)準(zhǔn)以減少不必要的干預(yù)措施。
　　 方法：CART模型的建立及評估：對相關(guān)變量進(jìn)行CAR

5、T統(tǒng)計分析以建立用于預(yù)測PACG發(fā)生風(fēng)險的CART模型，并采用10倍交叉驗證方法對此CART模型進(jìn)行內(nèi)部驗證以減少過度擬合偏倚。列線圖模型的建立及評估：根據(jù)PACG的Logistic多因素回歸分析確定模型入組變量，并依據(jù)相關(guān)變量的回歸系數(shù)畫出相應(yīng)的列線圖模型，并采用Bootstrap自抽樣方法對列線圖模型進(jìn)行內(nèi)部驗證以減少過度擬合偏倚，同時評價列線圖模型預(yù)測PACG發(fā)生風(fēng)險的符合度。最后，采用AUC、C-index、DCA統(tǒng)計方法比較列

6、線圖模型、CART模型和前房深度指標(biāo)在預(yù)測PACG的準(zhǔn)確性及臨床應(yīng)用價值上的優(yōu)劣性。
　　 結(jié)果：CART模型4個節(jié)點上的PACG發(fā)生率分別為99.3％、92.9％、87.5％及8.8％，并且在經(jīng)過內(nèi)部驗證后得到的C-index為0.965，表現(xiàn)出較好的預(yù)測準(zhǔn)確性。PACG的列線圖模型輸入變量包含糖尿病、杯/盤比、眼軸、角膜曲率、中央角膜厚度，在經(jīng)過內(nèi)部驗證后C-index為0.953。根據(jù)AUC、C-index、DCA統(tǒng)計方法

7、，CART及列線圖模型均優(yōu)于前房深度指標(biāo)，而CART及列線圖模型按閾值概率范圍的不同，在臨床應(yīng)用價值上各有其優(yōu)勢。
　　 結(jié)論：在預(yù)測PACG發(fā)生風(fēng)險的準(zhǔn)確性及臨床應(yīng)用價值上，CART及列線圖模型均優(yōu)于前房深度指標(biāo)。在臨床應(yīng)用價值上，可以在青光眼篩查中聯(lián)合應(yīng)用CART模型、列線圖模型和前房深度指標(biāo)，不以單一模型篩選。
　　 第三部分原發(fā)性開角型青光眼分類回歸樹及列線圖模型的初步建立及評估
　　 目的：建立并驗證預(yù)

8、測POAG發(fā)生風(fēng)險的CART及列線圖模型，并通過與其他模型或標(biāo)準(zhǔn)比較，以明確最佳的模型或標(biāo)準(zhǔn)，從而根據(jù)該最佳模型或標(biāo)準(zhǔn)以減少不必要的干預(yù)措施。
　　 方法：CART模型的建立及評估：對相關(guān)變量進(jìn)行CART統(tǒng)計分析以建立用于預(yù)測POAG發(fā)生風(fēng)險的CART模型，并采用10倍交叉驗證方法對此回歸樹模型進(jìn)行內(nèi)部驗證以減少過度擬合偏倚。列線圖模型的建立及評估：根據(jù)POAG的Logistic多因素回歸分析確定模型入組變量，并依據(jù)相關(guān)變量的回

9、歸系數(shù)畫出相應(yīng)的列線圖模型，并采用Bootstrap自抽樣方法對列線圖模型進(jìn)行內(nèi)部驗證以減少過度擬合偏倚，同時評價列線圖模型預(yù)測POAG發(fā)生風(fēng)險的合度。最后，采用C-index、DCA統(tǒng)計方法比較兩模型在預(yù)測POAG的準(zhǔn)確性及臨床應(yīng)用價值上的優(yōu)劣性。
　　 結(jié)果：CART模型2個節(jié)點上的PACG發(fā)生率分別為98.9％和5.2％，并且在經(jīng)過內(nèi)部驗證后得到的C-index為0.973，表現(xiàn)出較好的預(yù)測準(zhǔn)確性。POAG列線圖模型輸入變