详细教程：基于Logistic回归模型构建疾病风险评分工具

用微信扫码二维码

分享至好友和朋友圈

我们在前期介绍Framingham Heart Study的文章中《》，提到Framingham Heart Study在探讨疾病危险因素和构建风险预测模型方面，做出了很大的贡献。

其中1998年Framingham Heart Study发表了一个经典的冠心病10年风险预测评分工具，该风险函数成为美国国家胆固醇教育计划（NCEP）成人治疗方案（Adult Treatment Panel，ATP）计算冠心病风险的基础。

该模型不再使用原有的连续变量形式，而是将危险因素进行分层，对每一分层进行量化赋分，最后通过计算总分来对患者进行疾病风险评估，评分工具不仅有助于患者理解，也能够在临床中得到较好的推广应用。

如果说只是单纯的构建疾病风险预测模型，相信大家应该都比较熟悉，至少大家也都用过Logistic回归、Cox回归等这些常用的回归模型。但是如何将自己构建的预测模型转化为风险评分工具，似乎成了一个难题。

今天小咖就以多因素Logistic回归模型为例，给大家逐步解密，教会大家也能做出这种高大上的疾病评分工具。

研究实例

我们仍以Framingham Heart Study为例来进行说明，研究共纳入9443名健康人群，年龄为30-79岁，对研究对象随访5年，观察他们冠心病硬终点的发病情况，包括心肌梗死、死亡。

假定我们要考虑的主要危险因素包括：年龄、性别、收缩压、吸烟，研究人群各个危险因素的分布情况如下表所示，我们在此研究的基础上来制作疾病风险评分工具。

步骤

1. 构建多因素Logistic回归模型

通过构建多因素Logistic回归模型，将我们主要考虑的危险因素纳入到回归模型中，从而估计各个危险因素的回归系数β，OR值及其95% CI，回归结果如下表所示。

2. 将各个危险因素进行分类，并指定每组的参考值Wij

我们按照临床意义或使用习惯将各个危险因素进行分组，并在每个分组中选择合适的数值作为参考值Wij，通常选择组内的中间值作为参考值。

例如在本例中，研究人群的年龄范围为30-79岁，通常我们按照10岁一个年龄段来进行划分，将其分为5组，每组选择中间值为参考值Wij，例如30-39岁这一组的参考值Wij为(30+39) / 2 = 34.5。

本研究中血压的范围为78-240mmHg，我们按照高血压指南的诊断切点来进行划分，每10mmHg为一组，共分为5组，每组选择中间值为参考值Wij。但这里需要注意的是，第一组（ /阅读下一篇/ 返回网易首页 下载网易新闻客户端