数据提取与队列构建
确定研究队列,包括COPD患者及急性加重事件。
从CPRD Aurum数据库中提取COPD患者数据,并按纳入排除标准筛选队列。
Developing and Validating the CE-MACE Model to Predict One-Year Major Adverse Cardiovascular Events Post COPD Exacerbation Using Routine Healthcare Data
基于大规模常规医疗数据(CPRD、HES、ONS),进行了多区域内部-外部交叉验证,并进行了敏感性分析,涵盖预测模型开发、验证及临床效用评估。
英国临床实践研究数据链(CPRD Aurum)中的COPD患者队列 包含中度或重度COPD急性加重事件的患者 九大地理区域划分的队列
COPD急性加重事件的定义:中度(初级医疗管理)和重度(二级医疗管理) MACE结局定义,包括急性冠脉综合征、心律失常、心力衰竭或缺血性卒中 预测因子(年龄、急性加重严重程度、MACE病史、mMRC、高血压、糖尿病) 模型预测公式:Ppredicted=1–(1–R0)^exp(β1*X1+β2*X2+…+βn*Xn)
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
确定研究队列,包括COPD患者及急性加重事件。
从CPRD Aurum数据库中提取COPD患者数据,并按纳入排除标准筛选队列。
确定主要不良心血管事件(MACE)的定义及随访终点。
根据HES和ONS数据定义MACE,随访至事件发生、其他原因死亡或1年无事件等。
从候选预测因子中选择最优子集,构建预测模型。
预选21个候选预测因子,采用LASSO回归和临床知识进行变量选择,比较五种模型规格,确定最终模型。
评估模型的区分度、校准度和临床效用。
使用内部-外部交叉验证评估性能,包括R²、C统计量、校准-in-the-large、校准斜率及决策曲线分析。
将模型转化为易用的评分工具,并进行风险分层。
根据系数推导评分表,将患者分为低、中、高风险组,并比较各组的MACE累积发生率。
检验模型对任意急性加重史患者的普适性。
使用后续急性加重事件作为分析单元进行内部-外部交叉验证。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据处理与统计 | Stata 18.5 | StataCorp LLC | -- |
| R 4.4.3 | R Foundation for Statistical Computing | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 队列构建 | COPD诊断定义、急性加重的定义(中度/重度)、纳入和排除标准 阅读提示:Methods - Study population and study design |
| 结局定义 | MACE的定义(急性冠脉综合征、心律失常、心力衰竭或缺血性卒中)、信息来源(HES/ONS) 阅读提示:Methods - Outcomes definition |
| 预测因子 | 六个预测因子(年龄、急性加重严重程度、MACE病史、mMRC、高血压、糖尿病)的定义及测量时间 阅读提示:Methods - Candidate predictors, Results - Predictors and prediction |
| 模型构建 | 模型公式(Ppredicted=1–(1–R0)^exp(β1*X1+β2*X2+…+βn*Xn)),基线风险R0=0.00223 阅读提示:Methods - Predictor selection and model specification, Results - Predictors and prediction |
| 性能评估 | 内部-外部交叉验证方法、九个地理区域划分、性能指标(R2、C统计量、校准指标) 阅读提示:Methods - Model performance |