花费-效益分析筛选肿瘤标记物最佳组合

基于花费-效益分析的肿瘤标记物最佳组合筛选

本文的想法来自于一篇发表的论文[1]。论文作者有感于临床上存在的不恰当的肿瘤标记物的检测，搜集了各种肿瘤标记物（TM）的价格、检测结果和最终诊断等数据，使用逻辑回归模型分别计算出2，3和4种TM组合的敏感度，最终使用TM组合的价格和其敏感度的比值（越低越好）来筛选最具有效价比的TM组合，以实现降低花费等目的。

疾病的花费显然是政府、医院和患者三方面共同关心的问题之一。通过相关数据分析，把钱花在该花的地方，对各方面都有益处，但是这方面的数据并不易得。本文旨在通过复现一篇论文中的研究方法，利用Python代码分析不同TM组合的花费与效益，进而筛选出最具性价比的组合。同时，我们尝试优化分析流程，并对效益指标的选择进行讨论。

分析规划

1. 复现工作：使用论文中提供的数据集，通过Python代码实现不同TM组合的敏感度计算及花费-效益比分析。
2. 优化流程：引入变量筛选方法（如Boruta算法），以减少不必要的TM检查，提高分析效率。
3. 算法讨论：探讨敏感度作为效益指标的合理性，并考虑是否应纳入其他指标（如真阴性率或F1评分）以更全面地评估TM组合的效益。

方法与结果

1. 复现研究：我们采用了逻辑回归算法与5折交叉验证相结合的方法，计算了不同TM组合（包括2种、3种和4种标记物的组合）的敏感度，并结合这些组合的价格计算了花费-效益比。由于原文章数据预处理和TM单价描述的不够充份，我们的结果与原文不完全一致，但基本实现了研究目的。其中各种TM的单价比网络上低许多，不知道是什么原因导致的。
2. 流程优化：为减少计算量，我们引入了Boruta算法进行变量筛选。该算法有效地识别并淘汰了部分不重要的TM，保留了原文推荐的TM组合中的关键标记物，证明了其在TM筛选中的有效性。
3. 算法讨论：敏感度作为效益指标虽然能反映标记物诊断患病个体的能力，但忽视了其对非患病个体的诊断效果。因此，同时考虑真阴性率和真阳性率的的F1评分是不是一个更全面地反映TM组合的效益的指标？未来的研究可以进一步探讨这些指标在花费-效益分析中的应用。

完整的分析过程参见和鲸社区相关的项目。

核心函数如下：5折交叉验证计算敏感度和AUC

#自定义计算acu和recall(敏感度)的函数
def cv_auc_score(X,y):
    n_fold = 5
    folds = KFold(n_splits=n_fold, shuffle=True, random_state=2022)
    #这个是汇总预测概率的结构
    oof_lg = {'.pred_0':np.zeros(len(X)),'.pred_1':np.zeros(len(X)),'truth':np.zeros(len(X)),'pred_class':np.zeros(len(X))}
    for fold_n, (train_index, valid_index) in enumerate(folds.split(X)):
        X_train, X_valid = X.iloc[train_index], X.iloc[valid_index]
        y_train, y_valid = y[train_index], y[valid_index]
        eval_set = [(X_valid, y_valid)]
        model_lg = logistic_model.fit(X_train,y_train )
        y_pred_valid = model_lg.predict_proba(X_valid)
        y_pred_class=model_lg.predict(X_valid)
        oof_lg['.pred_0'][valid_index] = y_pred_valid[:,0]
        oof_lg['.pred_1'][valid_index] = y_pred_valid[:,1]
        oof_lg['truth'][valid_index]=y_valid
        oof_lg['pred_class'][valid_index]=y_pred_class
    oof_lg_df=pd.DataFrame(oof_lg)
    oof_lg_df['truth']=oof_lg_df['truth'].astype(int)
    oof_lg_df['pred_class']=oof_lg_df['pred_class'].astype(int)
    # oof_lg_df.info()
    # print(f'逻辑回归中用到的预测变量{X.columns}')
    # print('----------------------------------------------------')
    # print(classification_report(oof_lg_df['truth'], oof_lg_df['pred_class']))
    # print('----------------------------------------------------------------------')
    # print(roc_auc_score(oof_lg_df['truth'], oof_lg_df['pred_class']))
    return roc_auc_score(oof_lg_df['truth'], oof_lg_df['pred_class']),recall_score(oof_lg_df['truth'], oof_lg_df['pred_class'])

结论

通过对不同TM组合的花费-效益比分析，不同组合之间确实存在显著的差异。如果理论上这个指标可以服务临床床的话，通过自动化其计算过程，可以应用这一分析方法，使其服务于临床实践，提高诊断效率，降低医疗成本。

[1] Zhang, Haichen et al. (2018), Extent and cost of inappropriate use of tumour markers in patients with pulmonary disease: a multicentre retrospective study in Shanghai, China, BMJ Open, Article-journal, https://doi.org/10.1136/bmjopen-2017-019051