预测多种二元结局风险的临床预测模型：方法比较
统计方法学
2020-10-29 v1
摘要
临床预测模型（CPMs）用于预测临床相关结局或事件。通常，预后 CPMs 被推导用于预测单一未来结局的风险。然而，随着对多病共存预测的日益重视，对能同时预测多个未来结局各自风险的 CPMs 需求不断增长。多结局风险预测的常用方法是为每个结局分别推导 CPM，再将预测风险相乘。该方法仅在给定协变量时结局条件独立时有效，且未能利用结局间的潜在关联。本文概述了可用于开发多结局预后 CPMs 的几种方法。我们考虑四种方法，其复杂度和假定条件独立性假设各异：即概率分类器链、多项逻辑回归、多元逻辑回归和贝叶斯 probit 模型。将它们与依赖条件独立的方法比较：独立单变量 CPMs 与堆叠回归。通过模拟研究及基于 MIMIC-III 数据库的真实示例，我们说明仅应使用建模结局间残差相关的方法推导多结局联合风险预测的 CPMs。在此情形下，我们的结果表明概率分类链、多项逻辑回归或贝叶斯 probit 模型均为恰当选择。当关注多个相关或结构相关结局时，我们对孤立地为各结局开发 CPMs 提出质疑，并推荐更整体的风险预测。
引用
@article{arxiv.2001.07624,
title = {Clinical Prediction Models to Predict the Risk of Multiple Binary Outcomes: a comparison of approaches},
author = {Glen P. Martin and Matthew Sperrin and Kym I. E. Snell and Iain Buchan and Richard D. Riley},
journal= {arXiv preprint arXiv:2001.07624},
year = {2020}
}
备注
34 pages, 2 tables and 5 figures