目的探讨早泄患者相关影响因素并建立基于LASSO logistic回归的早泄预测模型。方法基于西京医院等5家医院门诊招募的男性受试者,通过问卷及量表评分结果,构建基于LASSO logistic回归的早泄患者预测模型,通过交叉验证法选择最优调和系数...目的探讨早泄患者相关影响因素并建立基于LASSO logistic回归的早泄预测模型。方法基于西京医院等5家医院门诊招募的男性受试者,通过问卷及量表评分结果,构建基于LASSO logistic回归的早泄患者预测模型,通过交叉验证法选择最优调和系数λ,采用赤池信息准则(Akaike information criterion,AIC)和贝叶斯信息准则(Bayesian information criterion,BIC)与全变量logistic回归和逐步logistic回归进行比较,基于曲线下面积(area under curve,AUC)和校准曲线分别评价模型的区分度和准确度,并绘制列线图。结果本研究共纳入3180例受试者,其中早泄组有2663例(83.7%),非早泄组有517例(16.3%)。LASSO logistic回归模型(λ=0.004),纳入的自变量为:年龄、居住地、职业、IIEF-5评分、PEDT评分和GAD-7评分;AIC=2240.2,BIC=2282.7,均低于全变量logistic回归(2262.9/2292.2)和逐步logistic回归(2257.3/2293.7);ROC曲线分析LASSO logistic回归模型的预测价值,其AUC为0.799,显著高于全变量logistic回归和逐步logistic回归模型,差异均有统计学意义(P<0.05)。校准曲线证实列线图模型具有较高的预测准确度。结论利用年龄、职业、居住地、IIEF-5评分、PEDT评分、GAD-7评分,基于LASSO logistic回归建立无创列线图模型作为临床诊断早泄的量化工具,具有较高的诊断效能,值得推广应用。展开更多
文摘目的探讨早泄患者相关影响因素并建立基于LASSO logistic回归的早泄预测模型。方法基于西京医院等5家医院门诊招募的男性受试者,通过问卷及量表评分结果,构建基于LASSO logistic回归的早泄患者预测模型,通过交叉验证法选择最优调和系数λ,采用赤池信息准则(Akaike information criterion,AIC)和贝叶斯信息准则(Bayesian information criterion,BIC)与全变量logistic回归和逐步logistic回归进行比较,基于曲线下面积(area under curve,AUC)和校准曲线分别评价模型的区分度和准确度,并绘制列线图。结果本研究共纳入3180例受试者,其中早泄组有2663例(83.7%),非早泄组有517例(16.3%)。LASSO logistic回归模型(λ=0.004),纳入的自变量为:年龄、居住地、职业、IIEF-5评分、PEDT评分和GAD-7评分;AIC=2240.2,BIC=2282.7,均低于全变量logistic回归(2262.9/2292.2)和逐步logistic回归(2257.3/2293.7);ROC曲线分析LASSO logistic回归模型的预测价值,其AUC为0.799,显著高于全变量logistic回归和逐步logistic回归模型,差异均有统计学意义(P<0.05)。校准曲线证实列线图模型具有较高的预测准确度。结论利用年龄、职业、居住地、IIEF-5评分、PEDT评分、GAD-7评分,基于LASSO logistic回归建立无创列线图模型作为临床诊断早泄的量化工具,具有较高的诊断效能,值得推广应用。
