预测原发性青光眼发生风险的分类回归树及列线图模型的初步建立及评估

摘要

第一部分原发性青光眼的单因素和Logistic多因素回归分析
　　 目的：通过对PACG、POAG、正常对照组的临床资料进行单因素和Logistic多因素回归分析，以明确PACG、POAG的相关独立危险因素。
　　 方法：在2009.12-2011.11期间，共筛出在复旦大学附属眼耳鼻喉科医院住院的PACG患者200例、POAG患者100例、正常对照组200例。通过病史回顾性收集这些患者的相关临床资料变量，个人一般情况包括：年龄、性别、是否有青光眼家族史、是否有高血压史、是否有糖尿病史、是否有全身其他病史。临床相关资料包括：矫正视力、屈光情况、眼内压、前房深度、杯盘比、中央角膜厚度、角膜曲率、眼轴、晶状体厚度、晶状体位置、相对晶状体位置。同时，比较这些因素在PACG组、POAG组和正常对照组三组上的分布有无差异性，并进行相关的Logistic多因素回归分析。
　　 结果：在单因素分析结果的基础上，对相关变量进行Logistic多因素回归分析后发现，最终入组预测PACG模型的变量有糖尿病、杯/盘比、眼轴、角膜曲率、中央角膜厚度，其中除角膜曲率外，其他4个变量是预测PACG的独立危险因素(p<0.05)。整个Logistic多因素回归模型的C-index为0.956。最终入组POAG模型的变量有性别、高度近视、杯/盘比、眼轴，其中除性别外，其他3个变量是预测POAG的独立危险因素(p<0.05)。整个Logistic多因素回归模型的C-index为0.975。
　　 结论：糖尿病、杯/盘比、眼轴、中央角膜厚度是PACG的独立危险因素，而高度近视、杯/盘比、眼轴是POAG的独立危险因素。
　　 第二部分原发性闭角型青光眼分类回归树及列线图模型的初步建立及评估
　　 目的：建立并验证预测PACG发生风险的CART及列线图模型，并通过与其他模型或标准比较，以明确最佳的模型或标准，从而根据该最佳模型或标准以减少不必要的干预措施。
　　 方法：CART模型的建立及评估：对相关变量进行CART统计分析以建立用于预测PACG发生风险的CART模型，并采用10倍交叉验证方法对此CART模型进行内部验证以减少过度拟合偏倚。列线图模型的建立及评估：根据PACG的Logistic多因素回归分析确定模型入组变量，并依据相关变量的回归系数画出相应的列线图模型，并采用Bootstrap自抽样方法对列线图模型进行内部验证以减少过度拟合偏倚，同时评价列线图模型预测PACG发生风险的符合度。最后，采用AUC、C-index、DCA统计方法比较列线图模型、CART模型和前房深度指标在预测PACG的准确性及临床应用价值上的优劣性。
　　 结果：CART模型4个节点上的PACG发生率分别为99.3％、92.9％、87.5％及8.8％，并且在经过内部验证后得到的C-index为0.965，表现出较好的预测准确性。PACG的列线图模型输入变量包含糖尿病、杯/盘比、眼轴、角膜曲率、中央角膜厚度，在经过内部验证后C-index为0.953。根据AUC、C-index、DCA统计方法，CART及列线图模型均优于前房深度指标，而CART及列线图模型按阈值概率范围的不同，在临床应用价值上各有其优势。
　　 结论：在预测PACG发生风险的准确性及临床应用价值上，CART及列线图模型均优于前房深度指标。在临床应用价值上，可以在青光眼筛查中联合应用CART模型、列线图模型和前房深度指标，不以单一模型筛选。
　　 第三部分原发性开角型青光眼分类回归树及列线图模型的初步建立及评估
　　 目的：建立并验证预测POAG发生风险的CART及列线图模型，并通过与其他模型或标准比较，以明确最佳的模型或标准，从而根据该最佳模型或标准以减少不必要的干预措施。
　　 方法：CART模型的建立及评估：对相关变量进行CART统计分析以建立用于预测POAG发生风险的CART模型，并采用10倍交叉验证方法对此回归树模型进行内部验证以减少过度拟合偏倚。列线图模型的建立及评估：根据POAG的Logistic多因素回归分析确定模型入组变量，并依据相关变量的回归系数画出相应的列线图模型，并采用Bootstrap自抽样方法对列线图模型进行内部验证以减少过度拟合偏倚，同时评价列线图模型预测POAG发生风险的合度。最后，采用C-index、DCA统计方法比较两模型在预测POAG的准确性及临床应用价值上的优劣性。
　　 结果：CART模型2个节点上的PACG发生率分别为98.9％和5.2％，并且在经过内部验证后得到的C-index为0.973，表现出较好的预测准确性。POAG列线图模型输入变量包含性别、高度近视、杯/盘比、眼轴，在经过内部验证后C-index为0.970。DCA统计结果显示，列线图模型在临床应用价值上优于CART模型。
　　 结论：CART模型及列线图模型在预测POAG发生风险的准确性上相似，但在临床应用价值上，列线图模型优于CART模型。