Nat Commun&JAMA INTERN MED|浅析两篇LASSO+Logistic/Cox 套路文章

两篇文章分别是来自NATURE COMMUNICATIONS的Early triage of critically ill COVID-19 patients using deep learning(doi:10.1038/s41467-020-17280-8)和 JAMA Internal Medicine的Development and Validation of a Clinical Risk Score to Predict the Occurrence of Critical Illness in Hospitalized Patients With COVID-19( doi:10.1001/jamainternmed.2020.2033).

LASSO+Logistic

第一篇为制定COVID-19住院患者发生危重疾病的临床风险评分并验证。

LASSO筛选重要预测指标

入院时测量的72个指标，经过LASSO回归选择，19个变量仍然是危重疾病的重要预测因子。

Logistic模型构建并验证

通过逻辑回归模型对19个变量进行再分析后，得出10个变量为重症疾病的独立预测因子。

• 训练集验证。

• 独立队列验证。

LASSO+Cox

第二篇为深度学习在新冠肺炎危重患者早期分诊中的应用。

LASSO筛选重要预测指标

入院时测量的74个指标，经过LASSO回归选择，确定了10个具有统计学意义(P<0.05)的特征。

Cox模型的建立与验证

这里作者使用了基于深度学习的生存分析 Cox 算法对这 10 项指标进行建模。相比于传统经典方法，深度学习的优势是可通过神经网络对特征进行高阶非线性组合，从而更深层次地建立特征与目标函数之间的映射。

之后，使用该模型对另外 1393 例外部患者的回溯数据分析来检验预测性能。外部测试集中 106 例发展成重症的患者中，只有 2 例存在数据异常的患者被错误划分到了低风险组。同时，该模型在不同中心的数据上获得的 C-index 均高于0.85，证明了模型的可靠性与有效性。

C-index

指一致性指数（index of concordance），通过评估模型预测结果与实际观察结果的符合程度，以评价模型的预测准确性，值越接近1，准确率越高。

AUC

指受试者工作特征曲线下面积，值在1.0和0.5之间，在AUC>0.5的情况下，AUC越接近于1，说明诊断效果越好。

绘制Nomagram图

总结

这两篇文章，都是基于Lasso回归筛选变量后构建Logistic/Cox模型并验证。因为第二篇文章多了”生存“数据，故用了Cox模型。之所以这两篇能发高分主要是时效性以及全国的样本库。细心的同学可能已经看到，这两篇文章都是同一个作者，来自广州的呼吸系统疾病国家重点实验室，也就是前几天很火的那位专硕发了80几篇sci的团队。我们虽然没有这么好的资源，但是可以学习借鉴别人的方法和套路。

---

写在后面：

小木舟水平有限，文中难免有些纰漏，希望各位读者能够不吝赐教。欢迎大家关注我的B站：木舟笔记，获取更多视频讲解。制作不易，希望大家多多点赞、在看。

往期文章

1. 跟着CELL学作图|1.火山图

2. 跟着Cell学作图 | 2.柱状图+误差棒+散点+差异显著性检验

3. 跟着 Cell 学作图 | 3.箱线图+散点+差异显著性检验

4. 跟着 Cell 学作图 | 4.小提琴图

5. 跟着Cell学作图 | 5.UMAP降维分析

6. 跟着Cell学作图 | 6.时间序列分析(Mfuzz包)

7. 跟着Cell学作图|7.富集分析(Metascape数据库)

8. 跟着Cell学作图|8.富集分析网络图(Cytoscape/ClueGO)

9. 跟着Cell学作图|9.PPI分析(GeNets数据库)

10. 跟着Cell学作图|10.复杂热图

11. 跟着Cell学作图| 11.Ingenuity Pathway Analysis(IPA)

12. 跟着Cell学作图 | 12.韦恩图(Vennerable包)