论文部分内容阅读
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。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。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。