目的:筛选前列腺癌(prostatic cancer,PCa)发病的影响因素,构建PCa风险预测模型并进行验证。方法:利用国家临床医学科学数据中心《前列腺肿瘤预警数据集》,对数据处理后将数据按7∶3随机分为建模组和验证组;使用最小绝对值收敛和选择算...目的:筛选前列腺癌(prostatic cancer,PCa)发病的影响因素,构建PCa风险预测模型并进行验证。方法:利用国家临床医学科学数据中心《前列腺肿瘤预警数据集》,对数据处理后将数据按7∶3随机分为建模组和验证组;使用最小绝对值收敛和选择算子(least absolute shrink⁃age and selection operator,LASSO)对建模组进行筛选,得到PCa特征指标;对特征指标进行多因素logistic回归分析,并利用其分析结果对建模组数据构建PCa风险预测模型,同时利用建模组数据进行内部评价及验证组数据内部验证。结果:共纳入880例样本数据,其中建模组616例,验证组264例;通过LASSO回归分析对筛选得到的14个特征指标进行多因素logistic回归分析,结果显示球蛋白(OR=1.112,95%CI=1.044~1.185)、无机磷(OR=65.167,95%CI=20.437~207.796)、总前列腺特异性抗原(total prostate specific antigen,tPSA)(OR=1.026,95%CI=1.014~1.037)与血清尿酸(OR=0.997,95%CI=0.994~0.999)的差异具有统计学意义(P<0.05),是PCa发病的独立影响因素;利用其构建的PCa风险预测模型内部评价和内部验证的校准曲线准确度较高;模型内部评价的曲线下面积(area under curve,AUC)为0.766(95%CI=0.728~0.804),患者的决策曲线分析(decision curve analysis,DCA)净获益率为9%~72%;而模型内部验证的AUC为0.704(95%CI=0.639~0.768),患者的DCA净获益率为18%~59%及63%~64%。结论:球蛋白、无机磷、tPSA与血清尿酸是PCa的独立影响因素,通过其构建的风险预测模型具有良好预测作用。展开更多
文摘目的:筛选前列腺癌(prostatic cancer,PCa)发病的影响因素,构建PCa风险预测模型并进行验证。方法:利用国家临床医学科学数据中心《前列腺肿瘤预警数据集》,对数据处理后将数据按7∶3随机分为建模组和验证组;使用最小绝对值收敛和选择算子(least absolute shrink⁃age and selection operator,LASSO)对建模组进行筛选,得到PCa特征指标;对特征指标进行多因素logistic回归分析,并利用其分析结果对建模组数据构建PCa风险预测模型,同时利用建模组数据进行内部评价及验证组数据内部验证。结果:共纳入880例样本数据,其中建模组616例,验证组264例;通过LASSO回归分析对筛选得到的14个特征指标进行多因素logistic回归分析,结果显示球蛋白(OR=1.112,95%CI=1.044~1.185)、无机磷(OR=65.167,95%CI=20.437~207.796)、总前列腺特异性抗原(total prostate specific antigen,tPSA)(OR=1.026,95%CI=1.014~1.037)与血清尿酸(OR=0.997,95%CI=0.994~0.999)的差异具有统计学意义(P<0.05),是PCa发病的独立影响因素;利用其构建的PCa风险预测模型内部评价和内部验证的校准曲线准确度较高;模型内部评价的曲线下面积(area under curve,AUC)为0.766(95%CI=0.728~0.804),患者的决策曲线分析(decision curve analysis,DCA)净获益率为9%~72%;而模型内部验证的AUC为0.704(95%CI=0.639~0.768),患者的DCA净获益率为18%~59%及63%~64%。结论:球蛋白、无机磷、tPSA与血清尿酸是PCa的独立影响因素,通过其构建的风险预测模型具有良好预测作用。
