编者
我们启动护理临床论文的读书会,每周出2-4篇的护理文章学习,请有兴趣的朋友与我们联系(微信号xfanin1314),发表最新进展和最新解读文章。
近日,成都中医药大学护理学院学者,发表一篇风险预测模型的系统评价文章,发在了一区期刊,与各位做个分享!
2023年10月13日,一篇名为“Risk prediction models for deep venous thrombosis in patients with acute stroke: A systematic review and meta-analysis”的文章发表在International Journal of Nursing Studies上,文章为医学1区,IF=8.1。
我们提供文献英文PDF,获取方式:回复关键词“原文”即可 |
本篇文章对目前已发表的关于急性脑卒中患者深静脉血栓形成风险预测模型进行系统评价。结果显示了当前风险预测模型开发与验证方面的方法学偏倚,为今后开展风险预测模型相关研究指明了方向与注意要点,现介绍如下。
一、研究摘要
背景:急性脑卒中患者深静脉血栓形成(DVT)风险预测模型的数量不断增加,但这些模型在临床实践和未来研究中的质量和适用性尚不清楚。
目的:系统回顾已发表的关于急性脑卒中患者深静脉血栓形成风险预测模型的研究。
设计:观察性研究的系统评价和Meta分析。
方法:检索中国知网、万方数据库、维普、中国生物医学文献服务系统、PubMed、Web of Science、Cochrane图书馆、CINAHL和Embase数据库,检索时间为建库至2022年11月7日。从纳入的研究中提取信息,包括研究设计、数据来源、结局定义、样本量、预测因子、模型开发及性能。使用预测模型偏倚风险评估工具(The Prediction Model Risk of Bias Assessment Tool ,PROBAST)评估偏倚风险和适用性。
结果:共检索到940项研究,经过筛选,9项研究的9个预测模型被纳入本系统评价。所有研究均采用Logistic回归建立深静脉血栓风险预测模型。急性脑卒中患者DVT的发生率为0.4%~28%。最常用的预测因子是d-二聚体和年龄。曲线下面积(AUC)为0.70~0.912。所有的研究均有很高的偏倚风险,主要是由于不恰当的数据来源和不严谨的数据分析。5个验证模型的汇总AUC值为0.76(95%置信区间:0.70-0.81),表明模型的区分度良好。
结论:根据PROBAST,纳入的关于急性脑卒中患者DVT预测模型研究均存在较高程度的偏倚。未来的研究应侧重于开发更大样本、严格研究设计和多中心外部验证的新模型。
二、研究结果
1.研究筛选流程
2.研究的特征
(1)国家:共纳入了9篇原始研究,其中1篇为德国地区的研究,其余均为中国。
(2)研究设计类型:5篇前瞻性研究,4篇回顾性研究。
(3)研究人群:4篇仅限定在急性缺血性脑卒中,2篇仅限定在急性出血性脑卒中,剩余3篇则均纳入。
(4)样本量范围:239~146062人。
(5)模型开发方法:除了Bonkhoff等人的研究外,其余研究均只采用了Logistic回归分析。
3.质量评价
所有的研究均存在高偏倚风险,在模型的开发与验证方面存在方法学问题。
4.Meta分析
仅有5篇研究可进行Meta分析,结果显示,研究的异质性较高,但不存在发表偏倚。
本研究依据CHARMS完整地对风险预测模型进行了系统评价和Meta分析,同时采用PROBAST对纳入的研究进行质量评价,结果不容乐观,但也为今后开展风险预测模型研究提供思路。
(1)数据来源:原始研究中需要报告数据来源,并且最好是来源于随机对照试验、注册数据、前瞻性队列研究、巢式病例-对照研究或病例队列研究;
(2)样本量:
预测模型开发研究:EPV≥20;
预测模型验证研究:样本量≥100。
(3)预测模型开发及验证:仅开发是不够的,还应进行内外部的验证,确保模型的区分度和校准度。
三、研究方法
风险预测模型的系统评价大致步骤与其他研究类型的系统评价相同,均包括检索策略、纳入排除标准、研究筛选、数据提取、质量评价及数据整合与统计学分析,下面仅介绍存在差异的地方。
1.检索策略
依据预测模型研究系统综述的批判性评价和数据提取表单(the Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies (CHARMS) checklist),作者界定了PICOTS。
2.数据提取
除研究的一般信息外,风险预测模型的系统评价还要提取出模型的信息,比如变量的选择方法、模型开发方法等。另外,该研究团队数据提取方法采用了一人提取,一人验证的方法,有助于缩短时间,提高效率。
3.质量评价
本研究采用了2个质量评价工具:the Grading of Recommendations Assessment, Development, and Evaluation (GRADE)和the Prediction Model Risk of Bias Assessment Tool (PROBAST)。
GRADE根据研究设计、偏倚风险、不一致性、间接性、不精确性和其他考虑因素(即发表偏倚)6个因素对研究结果进行分类,并评估证据质量,可用于各种类型系统综述的质量评价。
PROBAST则是专门用于风险预测模型系统评价的质量评估工具,涉及研究对象、预测因子、结果和统计分析4个领域,通过这4个领域对研究的偏倚风险进行评估,适用性则由前3个领域进行判断,具体的评价方法参见文末参考文献。
4.数据整合与统计学分析
(1)统计软件:Stata17.0。
(2)整合数据:各个研究的受试者工作特征曲线下面积进行Meta。
(3)统计学方法:异质性检验--采用I2指数和Cochrane Q test,同时根据异质性检验结果选择固定/随机效应模型;发表偏倚--Egger's test。
参考文献:
[1] Moons KGM, de Groot JAH, Bouwmeester W, Vergouwe Y, Mallett S, et al. (2014) Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies: The CHARMS Checklist. PLOS Medicine 11(10): e1001744. https://doi.org/10.1371/journal.pmed.1001744
[2] 陈香萍,张奕,庄一渝等.PROBAST:诊断或预后多因素预测模型研究偏倚风险的评估工具[J].中国循证医学杂志,2020,20(06):737-744.
后记
本文具有一定的创新性,在风险预测模型与系统评价文章越来越饱和的情况下,作者创见性地将风险预测模型与系统评价相结合,进行了系统评价和Meta分析,使用了风险预测模型文章质量评价工具(the Prediction Model Risk of Bias Assessment Tool (PROBAST))开展质量评价,使得风险预测模型的结果更具可靠性与临床实用性。
将热门的风险预测模型和系统评价文章相结合,又是一篇好文章,提供了新的写作思路,供各位参考!
原文文献获取方式: 回复关键词“原文”即可免费获取文献 |
本公众提供各种科研服务了!
一、课程培训 2022年以来,我们召集了一批富有经验的高校专业队伍,着手举行短期统计课程培训班,包括R语言、meta分析、临床预测模型、真实世界临床研究、问卷与量表分析、医学统计与SPSS、临床试验数据分析、重复测量资料分析、nhanes、孟德尔随机化等10余门课。如果您有需求,不妨点击查看: 二、数据分析服务 浙江中医药大学郑老师团队接单各项医学研究数据分析的服务,提供高质量统计分析报告。有兴趣了解一下详情: |