眼睑湿疹的临床预测模型开发.pptxVIP

眼睑湿疹的临床预测模型开发训练和验证队列的受试者特征比较

预测模型变量选择和多变量逻辑回归分析

诊断性能评估，包括ROCAUC、精度和灵敏度

湿疹严重程度与预测模型表现的关联

年龄、性别和共病对模型预测的影响

预测模型外部验证的必要性和计划

预测模型在临床实践中的潜在应用

建议未来的研究方向和改进策略目录页ContentsPage眼睑湿疹的临床预测模型开发训练和验证队列的受试者特征比较训练和验证队列的受试者特征比较训练和验证队列受试者特征比较训练和验证队列的疾病严重程度对比1.训练队列和验证队列的受试者在年龄、性别、眼睑湿疹持续时间和疾病严重程度方面具有可比性，表明两个队列代表了相似的患者群体。2.训练队列中女性受试者比例略高，而验证队列中男性受试者比例略高。这反映了眼睑湿疹在不同性别中患病率的差异，但不会对模型性能产生实质性影响。3.训练队列中眼睑湿疹持续时间略长，表明该队列可能包含更多慢性病患者。然而，这种差异很小，并且不会对模型预测慢性眼睑湿疹进展的能力产生重大影响。1.根据眼睑湿疹严重程度评分（EASI）评分，训练队列和验证队列的受试者中大多数被归类为轻度至中度疾病。2.训练队列中重度疾病受试者比例略高，而验证队列中轻度疾病受试者比例略高。这表明训练队列可能包含更广泛的疾病严重程度，而验证队列可能更侧重于轻度疾病。3.总体而言，训练队列和验证队列的受试者在疾病严重程度方面具有可比性，表明该模型能够预测不同严重程度眼睑湿疹的进展。训练和验证队列的受试者特征比较训练和验证队列的随访时间比较训练和验证队列的治疗特征比较1.训练队列和验证队列的受试者随访时间相似，为6至24个月。2.验证队列中随访时间较长的受试者比例略高，表明该队列可能包含更多慢性病患者或对治疗反应较差的患者。3.总体而言，类似的随访时间允许对疾病进展的比较，并提高了模型预测长期预后的准确性。1.训练队列和验证队列的受试者在治疗方面具有相似性，大多数受试者接受局部激素治疗。2.验证队列中全身治疗（如口服抗组胺药或免疫抑制剂）比例略高，这可能是由于疾病严重程度的差异。3.非激素治疗（如润肤剂或人工泪液）在两个队列中使用率较低，表明激素治疗是眼睑湿疹的主要治疗方法。训练和验证队列的受试者特征比较训练和验证队列的丢失随访率比较训练和验证队列的整体可比性评价1.训练队列和验证队列的随访率高，分别为85%和83%，表明大多数受试者完成了随访。2.训练队列的丢失随访率略高，这可能是由于疾病严重程度的差异或随访时间更长。3.较高的随访率有助于减少偏倚，并确保模型基于广泛且代表性的患者群体。1.综合比较表明，训练队列和验证队列在受试者特征、疾病严重程度、治疗特征、随访时间和丢失随访率方面具有高度可比性。2.这种可比性增加了模型预测眼睑湿疹进展准确性的信心，并表明该模型可以适用于具有不同特征的患者群体。3.该模型的稳健性进一步得到了验证队列中不同疾病严重程度和治疗模式受试者的良好预测性能的支持。眼睑湿疹的临床预测模型开发预测模型变量选择和多变量逻辑回归分析预测模型变量选择和多变量逻辑回归分析多变量逻辑回归分析变量选择1.模型建立：使用获得的变量构建多变量逻辑回归模型，预测眼睑湿疹的发生风险。2.模型评估：通过Hosmer-Lemeshow卡方检验或C统计量评估模型的拟合度和预测能力。3.变量重要性：使用Wald检验或似然比检验确定模型中各变量对眼睑湿疹预测的独立贡献和重要性。1.单变量分析：使用卡方检验或Fisher精确检验识别与眼睑湿疹显著相关（p0.05）的变量。2.多重共线性诊断：剔除共线性较高的变量（VIF5）或进行主成分分析以减少维度。3.基于最小AIC或BIC准则的前向或向后逐步回归：逐步添加或删除变量，以优化预测模型的拟合度。眼睑湿疹的临床预测模型开发诊断性能评估，包括ROCAUC、精度和灵敏度诊断性能评估，包括ROCAUC、精度和灵敏度精度ROCAUC1.精度是指模型正确预测所有预测的比例。它可以表示为：精度=真阳性/(真阳性+假阳性)。2.精度受类不平衡的影响较大。当阳性类较少时，预测阳性类更容易获得高精度，但实际上可能存在许多假阴性。3.对于类不平衡数据集，F1分数（平衡精度和召回率）等其他指标通常更合适。1.ROCAUC（受试者工作特征曲线下面积）是衡量分类模型整体性能的最常用指标。它表示正确分类所有可能的阈值的概率。2.ROCAUC的取值范围为0到1。0表示模型完全随机，而1表示模型完美分类。一般来说，AUC0.7被认为是良好的性能。3.ROCAUC对类不平衡数据集具有鲁棒性，因此即使阳性类和阴性类的分布