摘要

背景介紹

預(yù)測(cè)模型的開(kāi)發(fā)通常是為了估計(jì)個(gè)人在特定健康狀態(tài)下出現(xiàn)特定健康結(jié)果的風(fēng)險(xiǎn)，以支持（共同）決策。對(duì)預(yù)后模型研究的系統(tǒng)回顧可以幫助識(shí)別需要進(jìn)一步驗(yàn)證的預(yù)后模型或準(zhǔn)備在醫(yī)療保健中實(shí)施的預(yù)后模型。

目標(biāo)

逐步指導(dǎo)如何進(jìn)行和閱讀預(yù)后模型研究的系統(tǒng)綜述，并提供綜述進(jìn)展的每一步的方法和指導(dǎo)。

內(nèi)容

我們描述了對(duì)預(yù)后研究進(jìn)行系統(tǒng)回顧的以下步驟：?1）使用人口、指數(shù)模型、比較者模型、結(jié)果、時(shí)間、環(huán)境的格式制定回顧問(wèn)題，2）檢索和選擇文章，3）使用預(yù)測(cè)模型研究系統(tǒng)回顧的關(guān)鍵評(píng)估和數(shù)據(jù)提?。–HARMS）檢查表提取數(shù)據(jù)、?4）使用預(yù)測(cè)模型偏倚風(fēng)險(xiǎn)評(píng)估（PROBAST）工具進(jìn)行質(zhì)量和偏倚風(fēng)險(xiǎn)評(píng)估，5）分析數(shù)據(jù)并進(jìn)行定量meta分析，以及6）提交結(jié)果摘要，解釋結(jié)果，并得出結(jié)論。每個(gè)步驟的指導(dǎo)都有描述，并使用一個(gè)關(guān)于COVID-19患者的預(yù)后模型的案例研究來(lái)說(shuō)明。

應(yīng)用

對(duì)預(yù)后研究進(jìn)行系統(tǒng)回顧的指導(dǎo)是可用的，但這些回顧對(duì)臨床實(shí)踐和進(jìn)一步研究的影響高度依賴于初級(jí)研究的完整報(bào)告。

引言

對(duì)個(gè)性化的、基于風(fēng)險(xiǎn)的或分層的醫(yī)學(xué)需求越來(lái)越大。這意味著關(guān)于治療和進(jìn)一步診斷測(cè)試的醫(yī)療決定最好是針對(duì)病人，而不是基于?"一刀切?"的方法。因此，關(guān)于個(gè)體患者預(yù)后的信息至關(guān)重要。調(diào)查生物標(biāo)志物、預(yù)后因素和預(yù)后模型的研究數(shù)量一直在迅速增加。需要對(duì)其主要出版物的信息進(jìn)行系統(tǒng)回顧總結(jié)。

我們將預(yù)后研究分為三種類型：

1.?總的預(yù)后研究使人們了解在特定的時(shí)間范圍內(nèi)，患有特定健康狀況（不一定是疾?。┑囊蝗喝说哪承┙Y(jié)果的發(fā)生情況。

2.?預(yù)后因素研究的目的是確定與患有特定健康狀況的個(gè)人在特定時(shí)間內(nèi)發(fā)生特定結(jié)果有關(guān)的特征。

3.?預(yù)后模型研究在一個(gè)多變量預(yù)后模型中結(jié)合了多個(gè)預(yù)后因素，旨在對(duì)患有特定健康狀況的個(gè)體在特定時(shí)間內(nèi)發(fā)生的某種結(jié)果進(jìn)行預(yù)測(cè)。關(guān)于預(yù)后模型的研究可以進(jìn)一步分為模型開(kāi)發(fā)、模型驗(yàn)證或這些的組合。

重點(diǎn)討論第3類，即預(yù)后模型研究的系統(tǒng)回顧，但大部分的原則和指導(dǎo)可以很容易地適應(yīng)于其他類型的預(yù)后研究回顧。

對(duì)于許多疾病、目標(biāo)人群和結(jié)果，已經(jīng)開(kāi)發(fā)了多種預(yù)后模型。例如，慢性阻塞性肺病預(yù)后的預(yù)測(cè)模型超過(guò)400個(gè)，預(yù)測(cè)普通人群心血管疾病發(fā)生的模型363個(gè)，COVID-19診斷和預(yù)后的模型232個(gè)，預(yù)測(cè)肺結(jié)核治療結(jié)果的模型37個(gè)，以及瘧疾臨床管理的模型27個(gè)。預(yù)測(cè)模型的系統(tǒng)回顧提供了對(duì)現(xiàn)有模型、其質(zhì)量（偏倚風(fēng)險(xiǎn)）和預(yù)測(cè)性能的概述。這些綜述可以作為一種有價(jià)值的工具，以決定在醫(yī)療實(shí)踐或公共衛(wèi)生中應(yīng)進(jìn)一步評(píng)估或?qū)嵤┠男╊A(yù)后模型。預(yù)測(cè)模型研究的系統(tǒng)回顧可能包括以下目的：

1.?識(shí)別所有已開(kāi)發(fā)或驗(yàn)證的預(yù)后模型--針對(duì)特定目標(biāo)人群、條件或預(yù)后結(jié)果。

2.?總結(jié)特定預(yù)后模型的預(yù)測(cè)性能，并確定該模型在多個(gè)外部驗(yàn)證研究中性能的異質(zhì)性來(lái)源（表1）。

3.?總結(jié)和比較幾個(gè)預(yù)后模型在這些模型的多個(gè)外部驗(yàn)證研究中對(duì)某一目標(biāo)人群、條件或結(jié)果的預(yù)測(cè)性能。

4.?確定特定的預(yù)測(cè)因子，當(dāng)添加到特定的現(xiàn)有預(yù)后模型中時(shí)，是否能改善該特定模型的預(yù)測(cè)性能。

本文的目的是逐步指導(dǎo)如何進(jìn)行和閱讀預(yù)后模型研究的系統(tǒng)綜述（無(wú)論具體目的如何），并提供綜述進(jìn)展的每一步可用的方法概述（圖1）。在此，我們沒(méi)有區(qū)分是通過(guò)普遍的回歸模型技術(shù)（如事件發(fā)生時(shí)間模型或邏輯回歸模型）還是使用基于人工智能或機(jī)器學(xué)習(xí)的現(xiàn)代技術(shù)來(lái)開(kāi)發(fā)預(yù)后模型。模型開(kāi)發(fā)的方法并不改變系統(tǒng)回顧的必要步驟。我們用一個(gè)案例來(lái)說(shuō)明每一個(gè)步驟：目前正在進(jìn)行的COVID-PRECISE動(dòng)態(tài)回顧的第三次更新，是關(guān)于預(yù)測(cè)COVID-19患者預(yù)后的模型（見(jiàn)https://www.covprecise.org/）。我們選擇了這個(gè)例子，因?yàn)樵S多已發(fā)表的預(yù)后模型的系統(tǒng)綜述都有與這個(gè)COVID-PRECISE動(dòng)態(tài)綜述類似的目的（即確定所有可用于特定人群或特定結(jié)果的預(yù)測(cè)模型）。我們還參考了Cochrane預(yù)后方法組的網(wǎng)站（https://methods.cochrane.org/prognosis/tools），以獲得關(guān)于預(yù)后模型回顧的每一步的詳細(xì)指導(dǎo)，下文將對(duì)此行討論。

第1步：制定回顧問(wèn)題

進(jìn)行系統(tǒng)回顧的第一步是提出一個(gè)回顧問(wèn)題。這是一個(gè)重要的步驟，因?yàn)榛仡欉^(guò)程的所有后續(xù)步驟都是由問(wèn)題決定的，包括檢索策略、資格標(biāo)準(zhǔn)、從納入的研究中提取數(shù)據(jù)的項(xiàng)目、meta分析方法的選擇和結(jié)果的解釋。預(yù)測(cè)模型研究系統(tǒng)性回顧的批判性評(píng)價(jià)和數(shù)據(jù)提取（CHARMS）核對(duì)表提供了制定預(yù)后研究回顧問(wèn)題的指導(dǎo)，并在隨后得到進(jìn)一步發(fā)展。這些論文以及Cochrane預(yù)后方法組的指南都建議使用PICOTS系統(tǒng)來(lái)制定回顧性問(wèn)題（表2）。這是對(duì)PICO（Population, Intervention, Comparator, Outcome）系統(tǒng)的改編和擴(kuò)展，該系統(tǒng)通常用于干預(yù)和診斷測(cè)試準(zhǔn)確性研究的系統(tǒng)回顧。建議預(yù)后研究的系統(tǒng)回顧也要明確考慮時(shí)機(jī)（進(jìn)行預(yù)后的時(shí)刻和預(yù)后的時(shí)間段，即預(yù)測(cè)范圍）和環(huán)境（模型打算使用的背景）。

案例研究?在案例研究中，我們旨在對(duì)所有可用于診斷為COVID-19的患者的預(yù)后模型進(jìn)行廣泛概述。因此，審查的問(wèn)題是："目前有哪些已開(kāi)發(fā)和/或驗(yàn)證的模型可用于預(yù)測(cè)COVID-19患者的預(yù)后或感染過(guò)程，這些模型的有效性和實(shí)用性如何？"?使用PICOTS格式：

-人口：證實(shí)或懷疑有COVID-19的患者

-指數(shù)模型：所有可用的預(yù)后模型

-比較者模型：不適用

-結(jié)果：所有結(jié)果（如死亡率、入住ICU和發(fā)展為嚴(yán)重疾?。?/p>

-時(shí)間：（1）預(yù)測(cè)的時(shí)刻是在COVID-19診斷的時(shí)刻或之后不久；（2）所有預(yù)測(cè)范圍

-環(huán)境：住院病人和門(mén)診病人

由于該范圍綜述的目的是對(duì)特定患者群體（即被診斷為COVID-19的患者）的所有可用模型進(jìn)行概述，我們沒(méi)有限制特定的指數(shù)模型、結(jié)果、預(yù)測(cè)范圍和環(huán)境。

第二步：檢索和選擇文章

檢索預(yù)后模型研究通常包括MEDLINE和Embase等數(shù)據(jù)庫(kù)。這可能是一個(gè)挑戰(zhàn)，因?yàn)槌霭嫖锿ǔ２槐凰饕秊轭A(yù)后研究，也不限于獨(dú)特的研究設(shè)計(jì)。例如，研究人員可能采用?"預(yù)后"、"預(yù)測(cè)"、"預(yù)測(cè)"、"風(fēng)險(xiǎn)因素"、"模型?"或?"算法?"等術(shù)語(yǔ)來(lái)描述其目標(biāo)、方法和結(jié)果。此外，預(yù)后模型研究可以基于前瞻性或回顧性隊(duì)列研究的數(shù)據(jù)、隨機(jī)試驗(yàn)的數(shù)據(jù)、常規(guī)護(hù)理數(shù)據(jù)登記的數(shù)據(jù)，以及許多其他研究設(shè)計(jì)。因此，從標(biāo)題和摘要中很難確定一項(xiàng)研究是否是關(guān)于預(yù)后模型的。因此，識(shí)別這些研究的檢索策略非常廣泛，通常結(jié)合PICOTS的要素。因此，需要對(duì)標(biāo)題、摘要和全文進(jìn)行篩選的論文數(shù)量有時(shí)可能比較多。已經(jīng)開(kāi)發(fā)并驗(yàn)證了縮小檢索范圍的搜索過(guò)濾器。例如，Geersing過(guò)濾器與Ingui過(guò)濾器相結(jié)合，在識(shí)別預(yù)后論文方面的靈敏度為0.95。

在特定情況下，有可能大幅減少系統(tǒng)回顧的檢索空間。例如，專注于一個(gè)特定預(yù)測(cè)模型的系統(tǒng)綜述（如EuroSCORE）可以在檢索查詢中加入該模型的名稱作為要求。另外，也可以對(duì)引用該模型原始開(kāi)發(fā)論文的研究進(jìn)行引文檢索。對(duì)于其他類型的系統(tǒng)回顧，滾雪球始終是識(shí)別所有相關(guān)研究的重要步驟。這意味著應(yīng)該對(duì)相關(guān)的系統(tǒng)綜述和納入的主要研究的參考文獻(xiàn)列表進(jìn)行篩選，以確定可能被檢索策略遺漏的研究。

在運(yùn)行檢索策略后，必須將確定的參考文獻(xiàn)分為與綜述問(wèn)題相匹配的相關(guān)研究和不相關(guān)的研究。理想情況下，每個(gè)參考文獻(xiàn)由兩個(gè)或更多的審稿人獨(dú)立審閱，首先審閱標(biāo)題和摘要，然后根據(jù)全文審閱。不一致的地方應(yīng)通過(guò)討論或讓第三位審稿人參與來(lái)解決。

案例研究?在案例研究中，使用由SARS和COVID-19相關(guān)檢索詞組成的半自動(dòng)搜索字符串，搜索了截至2020年7月1日的關(guān)于COVID-19的公開(kāi)可用動(dòng)態(tài)證據(jù)集。檢索策略的細(xì)節(jié)可在該倡議的網(wǎng)站上找到。由于本綜述是在COVID-19大流行之初進(jìn)行的，我們還搜索了在bioRxiv、medRxiv和arXiv上發(fā)表的預(yù)印本；摘要和全文由獨(dú)立審查員進(jìn)行一式兩份的資格審查。差異通過(guò)討論解決。納入的研究中，開(kāi)發(fā)和/或驗(yàn)證的預(yù)后模型是用英文寫(xiě)成的，并符合PICOTS的要求。檢索發(fā)現(xiàn)了37 421條記錄，其中444條進(jìn)行了全文資格篩選，107項(xiàng)預(yù)后模型研究被納入。

第3步：數(shù)據(jù)提取

在確定和選擇了相關(guān)的研究后，下一步就是要從納入的研究報(bào)告中提取必要的數(shù)據(jù)。這項(xiàng)工作最好由兩個(gè)或更多的評(píng)審員獨(dú)立完成，以避免錯(cuò)誤和遺漏相關(guān)信息。數(shù)據(jù)提取提供了必要的信息，以呈現(xiàn)所納入研究的描述性表格，并允許對(duì)所納入研究的結(jié)果進(jìn)行定性總結(jié)，如果需要，也可能進(jìn)行定量（即meta分析）。CHARMS檢查表是為指導(dǎo)預(yù)后模型研究的數(shù)據(jù)提取而開(kāi)發(fā)的。

PICOTS定義了需要提取的關(guān)鍵信息，即納入的參與者、結(jié)果和預(yù)測(cè)因子的定義和測(cè)量、預(yù)測(cè)和結(jié)果評(píng)估的時(shí)間細(xì)節(jié)以及環(huán)境。此外，還需要收集有關(guān)數(shù)據(jù)來(lái)源、樣本量和結(jié)果參與者的數(shù)量、統(tǒng)計(jì)分析的細(xì)節(jié)，如缺失數(shù)據(jù)的處理和預(yù)測(cè)因子的選擇，以及模型的預(yù)測(cè)性能，包括分辨力和校準(zhǔn)性能及其相應(yīng)的標(biāo)準(zhǔn)誤差或置信區(qū)間（表1）。此外，如果在主要研究中提出，與預(yù)后模型的臨床效用有關(guān)的措施，如決策曲線分析的結(jié)果和凈收益，應(yīng)在評(píng)審中提取并提出。

在許多情況下，評(píng)審員會(huì)面臨這樣的問(wèn)題：他們感興趣的信息沒(méi)有得到足夠詳細(xì)的報(bào)告。因此，可能有必要聯(lián)系研究作者，以避免偏倚。另外，也可以在數(shù)據(jù)提取時(shí)恢復(fù)缺失的信息。這方面的方法已經(jīng)有詳細(xì)描述。

案例研究?使用基于CHARMS檢查表的標(biāo)準(zhǔn)化表格來(lái)提取數(shù)據(jù)。提取的數(shù)據(jù)涉及人群（如確診或疑似COVID-19）、環(huán)境（如住院病人或門(mén)診病人）、模型中包含的預(yù)測(cè)因素（如病人特征、影像學(xué)或血液生物標(biāo)志物）、結(jié)果（如死亡率、入住ICU或進(jìn)展為嚴(yán)重疾?。?、時(shí)間（如住院或30天內(nèi)）、參與者和結(jié)果的數(shù)量、分析（如模型的類型、缺失數(shù)據(jù)的處理）和預(yù)測(cè)性能措施。

第4步：質(zhì)量和偏倚風(fēng)險(xiǎn)評(píng)估

當(dāng)研究在設(shè)計(jì)或分析中存在缺陷或瑕疵，有可能導(dǎo)致無(wú)效或扭曲的結(jié)果時(shí)，就會(huì)出現(xiàn)偏倚風(fēng)險(xiǎn)。需要解決一項(xiàng)研究對(duì)審查問(wèn)題的適用性問(wèn)題，因?yàn)橛锌赡芤豁?xiàng)研究確實(shí)符合資格標(biāo)準(zhǔn)，但并不完全符合審查的PICOTS。例如，一個(gè)預(yù)測(cè)模型可能是為預(yù)測(cè)瘧疾患兒嚴(yán)重貧血和敗血癥的綜合結(jié)果而開(kāi)發(fā)的，而系統(tǒng)綜述則只關(guān)注敗血癥的預(yù)測(cè)。

對(duì)于預(yù)測(cè)模型的研究，應(yīng)使用預(yù)測(cè)模型偏倚風(fēng)險(xiǎn)評(píng)估（PROBAST）工具來(lái)評(píng)估偏倚風(fēng)險(xiǎn)和納入研究的適用性（www.probast.org）。該質(zhì)量評(píng)估工具可用于預(yù)后（和診斷）模型的開(kāi)發(fā)、驗(yàn)證和更新研究，以及旨在量化特定預(yù)測(cè)因子是否對(duì)現(xiàn)有預(yù)測(cè)模型具有附加值的研究。這些研究被評(píng)估為四個(gè)領(lǐng)域：參與者、預(yù)測(cè)者、結(jié)果和分析。每個(gè)領(lǐng)域都包含信號(hào)問(wèn)題，可以用?"是"、"可能是"、"可能不是"、"不是?"或?"沒(méi)有信息?"來(lái)打分。所有的信號(hào)問(wèn)題都是這樣制定的："是?"表示沒(méi)有偏見(jiàn)。適用性是針對(duì)前三個(gè)領(lǐng)域進(jìn)行判斷的。偏見(jiàn)的風(fēng)險(xiǎn)和對(duì)適用性的關(guān)注可以分為?"低"、"高?"或?"不明確"。目前正在開(kāi)發(fā)針對(duì)使用人工智能或機(jī)器學(xué)習(xí)的預(yù)測(cè)模型的PROBAST（PROBAST-AI）。對(duì)于預(yù)后因素研究，QUIPS工具可用于偏倚風(fēng)險(xiǎn)評(píng)估。由于該工具專注于預(yù)后因素研究，因此不建議將其用于預(yù)后模型研究。

案例研究?在我們的案例研究中，PROBAST工具被用于評(píng)估所包括的預(yù)后性COVID-19模型的偏倚風(fēng)險(xiǎn)。大多數(shù)研究的總體偏倚風(fēng)險(xiǎn)都很高（圖2）。這主要是由分析領(lǐng)域的高偏倚風(fēng)險(xiǎn)引起的，其中包括低樣本量和缺乏內(nèi)部或外部驗(yàn)證。

第五步：分析數(shù)據(jù)和進(jìn)行定量meta分析

只有當(dāng)同一指數(shù)預(yù)后模型有五個(gè)以上的外部驗(yàn)證研究時(shí)，才建議對(duì)預(yù)測(cè)模型的性能進(jìn)行meta分析。meta分析包括計(jì)算預(yù)測(cè)模型性能的加權(quán)平均數(shù)，其中研究權(quán)重（在某種程度上）由研究的標(biāo)準(zhǔn)誤差定義，因此也包括樣本量。

對(duì)于預(yù)后模型的回顧，重點(diǎn)是識(shí)別所有已開(kāi)發(fā)的針對(duì)特定目標(biāo)人群、條件或結(jié)果的預(yù)后模型，meta分析并不適用，因?yàn)槿缜八觯枰獙?duì)同一模型進(jìn)行多項(xiàng)驗(yàn)證研究。如果認(rèn)為meta分析沒(méi)有附加價(jià)值，或者進(jìn)行meta分析不可行（例如由于同一預(yù)后模型的驗(yàn)證研究數(shù)量太少），可以用描述性統(tǒng)計(jì)、表格和數(shù)字的形式來(lái)總結(jié)結(jié)果。

回到一個(gè)預(yù)后模型在多個(gè)不同的研究中被評(píng)估其預(yù)測(cè)性能的情況，這些所謂的外部驗(yàn)證研究很可能在許多方面有所不同，如人群特征、預(yù)測(cè)因子和結(jié)果的定義和測(cè)量，以及應(yīng)用研究設(shè)計(jì)或數(shù)據(jù)來(lái)源。這就是所謂的研究間異質(zhì)性。由于這種研究間的異質(zhì)性，通常建議采用隨機(jī)效應(yīng)meta分析而不是固定效應(yīng)meta分析。如果研究足夠相似（最好由臨床專家判斷），或者存在異質(zhì)性但研究者有理由進(jìn)行meta分析（如研究是異質(zhì)性的，但模型性能不是），可以進(jìn)行鑒別性能（如c統(tǒng)計(jì)量或接收操作特征曲線下的面積）和校準(zhǔn)（如觀察到的預(yù)期[OE]比率，校準(zhǔn)斜率）的meta分析。R包，如metamisc和metafor可用于此。

主要的興趣在于圍繞集合鑒別和校準(zhǔn)估計(jì)的預(yù)測(cè)區(qū)間。預(yù)測(cè)區(qū)間表明在一項(xiàng)新的研究中可能發(fā)現(xiàn)的性能。預(yù)測(cè)區(qū)間不僅包括圍繞集合估計(jì)值的不確定性，還包括研究間的異質(zhì)性。預(yù)測(cè)區(qū)間通常比置信區(qū)間更寬，表明研究之間存在異質(zhì)性。應(yīng)使用亞組分析和元回歸來(lái)進(jìn)一步探討這種異質(zhì)性的來(lái)源。

案例研究?在案例研究中，旨在確定所有現(xiàn)有的已開(kāi)發(fā)和驗(yàn)證的COVID-19患者的預(yù)后模型，由于沒(méi)有一個(gè)模型在多個(gè)研究中得到驗(yàn)證，所以不可能進(jìn)行meta分析。因此，只能對(duì)確定的模型進(jìn)行描述性總結(jié)，包括資格標(biāo)準(zhǔn)的特點(diǎn)、模型中包括的預(yù)測(cè)因子、預(yù)測(cè)結(jié)果、分析方法和性能指標(biāo)。

然而，為了說(shuō)明問(wèn)題，在另一個(gè)關(guān)于集合隊(duì)列方程預(yù)測(cè)成人普通人群未來(lái)心血管疾病發(fā)生率的系統(tǒng)回顧中，對(duì)c統(tǒng)計(jì)量和OE比率進(jìn)行了meta分析（圖3）。對(duì)OE比的元分析包括20個(gè)外部驗(yàn)證，得出的集合估計(jì)值為0.76，表明平均而言，該模型高估了觀察到的結(jié)果的數(shù)量。預(yù)測(cè)區(qū)間很寬，從0.38到1.55。這表明未來(lái)的研究可能也會(huì)發(fā)現(xiàn)高估了觀察到的結(jié)果，但也有可能會(huì)有研究發(fā)現(xiàn)低估了觀察到的結(jié)果。

第6步：提出研究結(jié)果的摘要，解釋結(jié)果，并得出結(jié)論

系統(tǒng)綜述的最后一步是清晰地呈現(xiàn)研究結(jié)果（如在研究結(jié)果摘要表中）、對(duì)結(jié)果的解釋以及作者的結(jié)論。

以下項(xiàng)目可以指導(dǎo)綜述作者有效地交流綜述的結(jié)果和結(jié)論，從而提高綜述證據(jù)的可用性：

?1）是否提供了關(guān)于PICOTS和預(yù)后模型性能的所有必要信息；

2）預(yù)后模型的總結(jié)性能在校準(zhǔn)和鑒別方面是否足夠；

3）針對(duì)特定人群和特定結(jié)果，這些模型的總結(jié)證據(jù)的確定性如何。

為了能夠就預(yù)測(cè)模型的普遍性的證據(jù)的確定性得出有效的結(jié)論，最好是對(duì)同一人群有多個(gè)相同的預(yù)測(cè)模型和足夠質(zhì)量的外部驗(yàn)證研究。為評(píng)估系統(tǒng)回顧的總體證據(jù)的確定性而開(kāi)發(fā)的方法是建議評(píng)估、發(fā)展和評(píng)價(jià)分級(jí)法（GRADE）。對(duì)于預(yù)后模型的系統(tǒng)回顧，GRADE還沒(méi)有，但目前正在開(kāi)發(fā)中。在預(yù)后模型的GRADE可用之前，建議對(duì)整體預(yù)后研究和預(yù)后因子研究的GRADE指南進(jìn)行調(diào)整（將關(guān)聯(lián)的測(cè)量方法改為模型的性能測(cè)量，將預(yù)后因子的探索和確認(rèn)階段改為模型的開(kāi)發(fā)和驗(yàn)證）。

案例研究?案例研究中沒(méi)有使用GRADE方法。因此，系統(tǒng)回顧的結(jié)果是根據(jù)不斷演變的COVID-19大流行病來(lái)討論的。例如，作者得出結(jié)論，大多數(shù)預(yù)測(cè)模型的報(bào)告很差，而且有很高的偏倚風(fēng)險(xiǎn)。此外，他們確定了一個(gè)有希望的預(yù)后模型，建議由獨(dú)立研究人員對(duì)其進(jìn)行進(jìn)一步的外部驗(yàn)證。

結(jié)語(yǔ)

預(yù)后模型的系統(tǒng)回顧是決定進(jìn)一步驗(yàn)證或評(píng)估的重要工具，如果適用的話，可以實(shí)施最相關(guān)或最準(zhǔn)確的模型。

為了使這種回顧成為可能并得出有價(jià)值的結(jié)論，首先必須對(duì)主要預(yù)后模型研究進(jìn)行完整和透明的報(bào)告。因此，《個(gè)人預(yù)后或診斷的多變量預(yù)測(cè)模型的透明報(bào)告》（TRIPOD）聲明已經(jīng)發(fā)布。遵守TRIPOD聲明是信息性評(píng)論的要求，應(yīng)予以推廣。

目前，針對(duì)使用人工智能開(kāi)發(fā)的預(yù)測(cè)模型（TRIPOD-AI）的TRIPOD聲明的更新正在開(kāi)發(fā)中，以及針對(duì)預(yù)測(cè)模型研究的系統(tǒng)回顧和meta分析報(bào)告的TRIPOD-SRMA。

參考文獻(xiàn)

Damen JAA, Moons KGM, van Smeden M, Hooft L. How to conduct a systematic review and meta-analysis of prognostic model studies. Clin Microbiol Infect. 2023 Apr;29(4):434-440. doi: 10.1016/j.cmi.2022.07.019. Epub 2022 Aug 4. PMID: 35934199; PMCID: PMC9351211.

拓展-臨床預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)

1. 區(qū)分度評(píng)價(jià)指標(biāo)：C指數(shù)（C-Index），重新分類指數(shù)（Net reclassification index，NRI）；

c指數(shù)一般而言，我們將0.51-0.7認(rèn)為是低可信度，0.71-0.9為中等可信度，> 0.9為高可信度。

對(duì)于NRI的計(jì)算，其主要是比較新舊兩個(gè)模型之間存在區(qū)分度。其中，updown主要定義了一個(gè)樣本的風(fēng)險(xiǎn)是否變動(dòng)的方式，category是指分類值，即熟悉的低、中、高風(fēng)險(xiǎn)，另有一種diff，為連續(xù)值。

Cut是判斷風(fēng)險(xiǎn)高低的臨界值。當(dāng)updown為diff時(shí)，cut只需設(shè)置1個(gè)值，比如0.05，即認(rèn)為當(dāng)預(yù)測(cè)的風(fēng)險(xiǎn)在新舊模型中相差5%時(shí)，即被認(rèn)為是重新分類了；而當(dāng)updown為category時(shí)，可以對(duì)cut設(shè)置兩個(gè)不同的值，即0~29%為低風(fēng)險(xiǎn)，30%~59%為中風(fēng)險(xiǎn)，60%~100%為高風(fēng)險(xiǎn)。

2. 一致性評(píng)價(jià)指標(biāo)：校正曲線（Calibration plot）；

3. 臨床有效性評(píng)價(jià)指標(biāo)：決策分析曲線（Decision Curve Analysis， DCA）

?

?