Leading with leaders

——‍‍Nomogram代码‍

列线图（nomogram，诺莫图）是在平面直角坐标系中，用一簇互不相交的线段表示多个临床指标或者生物学特征，用以预测一定的临床结局或者某类事件发生的概率的图。列线图使预测模型的结果更具有可读性，可个性化地计算特定肿瘤患者生存率, 在临床实践中有较大的价值。一般可应用的研究方向有：将回归的结果进行可视化呈现，对个体样本给出其发病风险或比例风险；根据多个临床指标或生物学特征，判断个体样本的疾病分类或特征。

基本原理：

列线图的理论于1884年提出，最早用于工程学。它能够将复杂的计算公式以图形的方式，快速、直观、精确的展现出来。

列线图通过构建多因素回归模型（例如Cox回归、Logistic回归等），根据模型中各个影响因素对结局变量的影响程度的高低，即回归系数的大小，给每个影响因素的每个取值水平进行赋分。将各个评分相加得到总评分，通过总评分与结局事件发生概率之间的函数转换关系，从而计算出该个体结局事件的预测概率。

校准曲线（calibration curve）为实际发生率和预测发生率的散点图，常于用于化工行业溶液配制。在这里通过观察预测值与实际值相差情况，判断基于回归模型构建列线图的有效性。

术语解释：

Cox回归：又称比例风险回归模型(proportional hazards model，简称Cox模型)，是由英国统计学家D.R.Cox提出的一种半参数回归模型。该模型以生存结局和生存时间为应变量，可同时分析多种因素对于生存期长短的影响。Cox模型能分析带有截尾生存时间的资料，且不要求估计资料的生存分布类型，因此在医学界被广泛使用。

Logistic回归：又称逻辑回归模型，属于广义线性模型。逻辑回归是一种用于解决二分类问题的分析方法，用于估计某种事物的可能性。相较于传统线性模型，逻辑回归模型以概率形式输出结果，可控性高且结果可解释性强。

数据要求：

样本临床信息或生物学特征（基因突变、基因表达等）

样本的随访数据（总生存期，生存状态）或样本的分组情况

下游分析：

1.补充相关因素的已有相关研究

2.解释相关因素对研究课题的意义

图形示例：

1.   列线图

对于单个病例样本，可以根据样本的具体临床指标和生物学特征，由标尺的值向上对应到单个因素分数，将分数加和后由中间“Total points”对应向下，找到该样本的五年、八年生存期概率。

图注：左侧为各个临床指标或生物属性，右侧为值对应标尺。

2.列线表模型校准曲线

图注：横坐标为预测概率，纵坐标为实际概率，蓝色的线是拟合线，表示预测值对应的实际值。

应用示例：

文献一：Computed tomography-based predictive nomogram fordifferentiating primary progressive pulmonary tuberculosisfrom community-acquired pneumonia in children

儿童原发性进行性肺结核与社区获得性肺炎的基于X线断层摄影术预测诺莫图差异（于2019年8月发表在BMC Med Imaging. ，影响因子1.622）

该文献基于115例儿童肺病病例，结合肺实变区和淋巴结区的放射学特征和临床因素建立预测列线图。

文献二：High mucin 5AC expression predicts adverse postoperativerecurrence and survival of patients with clear-cell renal cell carcinoma

高黏蛋白5AC表达预测透明细胞肾细胞癌术后不良复发和生存（于2017年3月发表在Oncotarget. ，影响因子3.046）

该文献结合高黏蛋白5AC表达情况和肿瘤大小等多个临床性状，预测透明细胞肾细胞癌术后生存情况并绘制了列线图。结合高黏蛋白5AC表达，3年、6年整体生存期和无病生存期的预测结果都有着较高的准确率。