患者筛选与数据收集
确定符合IPF诊断的老年患者,并收集基线的血清生物标志物、肺功能指标和随访数据。
回顾性筛选2016年1月至2023年2月安徽医科大学第一附属医院的IPF患者,根据2022年ATS/ERS指南确诊,排除恶性肿瘤、肝肾功能不全、血液病、免疫抑制或激素长期使用等,最终纳入83例。收集血常规、肝肾功能、肺功能、肿瘤标志物等。
A Nomogram Model for Early Mortality Risk Stratification in Elderly Patients with Idiopathic Pulmonary Fibrosis: An Integrative Analysis of Serum Biomarkers and Pulmonary Function Parameters
回顾性队列研究,包含83例患者,使用多变量Cox回归构建预测模型,并通过自举法进行内部验证,但缺乏外部验证和实验验证。
老年IPF患者队列(83例) GAP模型对照 IPF患者临床队列
样本来源:安徽医科大学第一附属医院2016年1月至2023年2月收治的IPF患者 结局定义:诊断后12个月内死亡定义为早期死亡 预测因子:年龄、单核细胞计数、球蛋白、DLCO%pre 统计模型:Cox比例风险回归,每变量至少10个事件 内部验证:自举重采样1000次
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。
确定符合IPF诊断的老年患者,并收集基线的血清生物标志物、肺功能指标和随访数据。
回顾性筛选2016年1月至2023年2月安徽医科大学第一附属医院的IPF患者,根据2022年ATS/ERS指南确诊,排除恶性肿瘤、肝肾功能不全、血液病、免疫抑制或激素长期使用等,最终纳入83例。收集血常规、肝肾功能、肺功能、肿瘤标志物等。
筛选与总体生存期相关的独立预测因子。
采用Cox比例风险回归进行单因素分析,将p<0.05的变量纳入双向逐步多因素Cox回归(进入p<0.1,剔除p>0.15),根据每变量至少10个事件规则,最终确定年龄、M、GLB、DLCO%pre为独立预测因子。
基于独立预测因子构建预测1年、2年、3年总生存期的可视化列线图。
整合年龄、M、GLB和DLCO%pre,构建列线图。每个预测因子对应分值,总分对应1年、2年、3年OS概率。
评估模型的区分度、校准度和临床实用性,并进行内部验证。
计算C指数、AUC、AIC、BIC,绘制校准曲线,进行Hosmer-Lemeshow检验、决策曲线分析(DCA),并通过自举重采样(1000次)计算乐观校正C指数。
基于列线图评分将患者分为高危和低危组,验证模型区分能力。
根据列线图总分中位数将患者分为高风险组和低风险组,采用Kaplan-Meier分析和log-rank检验比较两组总生存期。
按研究目的归类文中使用的方法,便于定位所需技术。
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 |
|---|---|
| 患者队列 | 患者来源、诊断标准(2022 ATS/ERS指南)、年龄要求、排除标准 阅读提示:Methods 2.2 Study Population |
| 数据收集 | 采集的指标(血常规、肝肾功能、肺功能、肿瘤标志物)、时间窗(首次就诊7天内)、随访频率(每6个月) 阅读提示:Methods 2.3 Data Collection |
| 结局定义 | 早期死亡定义(12个月内死亡)、总生存期计算起点(诊断日期)、随访终点(2024年2月) 阅读提示:Methods 2.2 Study Population |
| 统计分析 | 单因素p<0.05进入多因素,逐步法进入p<0.1剔除p>0.15,每变量至少10个事件,限制4个预测因子,VIF>5视为共线性 阅读提示:Methods 2.4 Model Construction and Statistical Analysis |
| 缺失数据处理 | 排除缺失>30%的变量,对≤30%的变量采用MICE(5次插补) 阅读提示:Methods 2.2 Study Population |