本文内容整理自医咖会《基于临床数据构建预测模型》专栏，小咖针对其中关于预测模型的应用场景相关内容进行了整理，可点击左下角“阅读原文”查看完整视频。
进行研究时，首先要清楚数据的属性。数据通常分为两个大类，其一为比较传统的循证医学。一般是根据特定的、已有的临床问题前瞻性地收集数据，然后根据数据划分研究类型。
其二则为真实世界数据，这一类数据更多的由设计和数据双驱动，如医保、电子病历等。这些数据并不是研究者有目的的收集的。就像国内外基于真实世界共识的不断发布，越来越多的关联性/预测性研究，都是在真实世界的框架下开展的。
不管是哪一类数据，通常会把研究归为两个范式，关联性研究和预测模型研究。预测模型研究可以应用于多个场景：
打开网易新闻 查看精彩图片
应用场景
打开网易新闻 查看精彩图片
疾病的发生：可以在疾病发生前收集变量，去预测疾病的发生风险，比如弗雷明汉风险评分，可以预测个体十年后发生心血管疾病的风险；
疾病的诊断：某些疾病的诊断是很困难的，没有金标准，就可以考虑诊断模型，比如使用生物标志物、影像等辅助诊断；
疾病的治疗：可以使用模型提前预测患者使用某种治疗手段的反应；
疾病的预后。
临床预测模型是通过算法支持临床决策的，通常是分为诊断模型和预后模型。前者预测因子和结局数据通常是同一时间节点收集的，而后者则在收集预测因子后，通过一段时间内的不断随访来看个体是否会出现关注的结局。
打开网易新闻 查看精彩图片
图.诊断模型（上图）和预后模型（下）
上文内容摘自医咖会专栏课程《基于临床数据构建预测模型》，请点击左下方的“阅读原文”，观看完整视频内容。
研究设计、统计分析、论文投稿难题，快联系小咖（微信：xys2019ykh）
热门跟贴