在PubMed搜索关键词“Nomogram (列线图)”，数据显示该类文章的发文数量仍在逐年递增，而且在2020年呈爆发性增长，2021年仅两个月的时间其发表数已高达540多篇。其受欢迎程度不言而喻。

本期开始更新临床预测模型系列推文，结合经典文献从零学习预测模型构建、文章行文思路以及那些年踩过坑。

喜欢的小伙伴，点赞加转发支持一波吧！

Go

参考文献：BalachandranVP, et al. Nomograms in oncology: more than meets the eye. Lancet Oncol. 2015Apr;16(4):e173-80.

今天分享的是一篇Nomogram (列线图)综述，文章于2015年发表在柳叶刀杂志(IF=33.752)上。

文章前半部分主要介绍列线图的构建和性能评估，后半部分从各个方面介绍平时在构建过程中的错误理解和模型局限性等。 

此文是小编学习预测模型时教科书级别的文章之一，文章内容对论文的Introduction和Conclusions部分均有很大的参考价值，五星推荐。

目录

1. 介绍 

2. 列线图的构建 

2.1-研究问题、研究人群和结局 

2.2-方法 

3. 列线图的性能评估 

3.1-验证 

3.2-区分度 (Discrimination)

3.3-校准 (Calibration )

3.4-临床实用性 (Clinicalusefulness)

4. 列线图的限制 

4.1-随访时间假设 

4.2-报告和变量的标准 

4.3-患者满意度和效果

4.3-性能和临床实用性

4.4-患者的选择 

4.5-对患者的影响

5. 结论

红色是文中重点，蓝色是读后感

1. 介绍

列线图是复杂的统计学模型的可视化。

列线图的使用方法主要有两种：

1. 每个变量单独列出，将各亚变量量化为特定分数 (points)。然后，将所有变量的累积得分 (Total points)与结果量表进行匹配获得预测概率。

2. 开发网页计算器或动态列线图，输入特定变量并计算事件的可能性。

当前，评估肿瘤预后的金标准仍然是TNM分期系统。然而TNM系统有几个缺点: 

1. 具有相同TNM分期但生存结局不同的患者会被迫进入同一疾病阶段，引入异质性。

2. TNM分期不能将肿瘤、淋巴结或转移作为连续变量。

3. TNM系统未纳入许多关键变量，例一般如果TNM分期太高，预后将会更差，它没有纳入控制预后的其他变量，如遗传差异、肿瘤有丝分裂率或组织学等【即综合性差】。

鉴于TNM分期的局限性，列线图作为一种更简单、更先进的方法出现了。列线图的主要优点是能够根据患者和疾病特征来评估个体风险。在肿瘤学中，列线图有可能影响癌症护理的各个方面：

术前列线图可以评估手术切缘和淋巴结转移的风险，

可以帮助临床医生识别那些可能从更大范围的手术中获得更多益处的患者。

术后列线图估计复发，肿瘤特异性生存期，总生存期，辅助治疗的益处和治疗对生活质量的影响，

可能在所有方面帮助患者和医生做出决定。

列线图虽然是评估预后的重大创新，但想发挥其正确的临床应用需要对列线图的研究人群、构建方法和结果进行准确理解，以明确评估其临床适用性。在这里，我们介绍使用列线图的基本原理，阐明其构造、解释和应用，并解释其常见的误解。

2. 列线图的构建

2.1-研究问题、研究人群和结局 

【有意义，实用性强】

列线图构建中最重要的步骤是选择一个好的问题——即一个可以通过列线图得到解决的临床问题，一个有价值的临床问题；

它应代表患有该疾病的一般人群，以便读者可以评估其对这类患者的适用性。单中心数据可有更完整的数据集，但可能存在偏差，这时可以通过使用多中心或国家数据库来克服。

研究结局应有一个清晰的、被广泛接受的定义并且可被其他数据重复。

2.2-方法

2.2.1 选择变量：根据临床共识（即已知与预后相关的因素）：这种方法避免了基于不同数据的变量的排除和纯粹基于统计显著性的选择。治疗本身应该避免作为一个协变量，除非有来自随机临床试验的验证数据。

【即构建模型使用的变量必须要适用于所有数据，而不是仅仅对你的数据有效（普遍性），注：变量筛选方法很多，但绝大多数是基于自己数据，这样的列线图其实普遍性有待验证】

2.2.2 选择统计模型：Cox/logistic回归等。

总结一下小编见过的变量筛选【五花八门】 

1、单因素p