算法狂欢的时代，为何这篇"返璞归真"的研究能登顶柳叶刀子刊？
老郑看到这样一篇文章，在机器学习横扫科研圈的今天，仅用Logistic回归构建预测模型，发表在期刊《eBioMedicine》（医学一区top，IF=9.7）上，题为：“Multivariate predictive model of the therapeutic effects of metoprolol in paediatric vasovagal syncope: a multi-centre study”，作者是北大学者。
研究者旨在通过多中心研究、扩大样本量，并采用更严格的方法学，利用多种临床和生理学指标开发预测模型，以识别可能从美托洛尔治疗中获益的VVS患儿，并验证这些模型在临床实践中的应用价值。
看到还是有点小惊讶的！和诸位做个分享。
本研究共纳入478例接受美托洛尔治疗的VVS儿童患者，患者分别来自三家儿童晕厥中心：北京大学第一医院、首都儿科研究所附属儿童医院和中南大学湘雅二医院。明确划分为两个独立队列：
回顾性训练队列：用于模型开发（2017年3月–2023年3月，n=323）。
前瞻性外部验证队列：用于模型验证（2023年4月–2024年3月，n=155）。
根据患者在接受美托洛尔治疗1–3个月后的症状改善情况，将其分为应答组和非应答组。
本文预测模型开发和验证很规范，也很常规！
筛选变量
1.单因素分析：P<0.05的变量纳入共线性分析。
2.共线性分析：采用线性回归模型评估变量间共线性程度，并计算方差膨胀因子（VIF）和容差值（Tolerance），设定VIF<10且Tolerance>0.1为可接受范围。
通过单因素分析结果，基于共线性分析结果及临床相关性，筛选出12个关键指标。
3.多因素Logistic回归及向后逐步回归。
4.似然比检验：评估每个变量对模型的贡献，P值>0.05的变量在选择过程中被移除。
最终保留的变量在逻辑回归模型中均具有统计学意义、较低的多重共线性，并对美托洛尔治疗效果预测具有较高的预测价值。
开发并验证预测模型
基于最后的结果，研究者建立了以下回归方程，以预测美托洛尔在儿童VVS中的治疗效果：
1.开发预测模型，包括基线ΔHR、QTcd和SDNN，以列线图形式展示。
2.训练集模型性能评估：
区分度：使用受试者工作特征（ROC）曲线评估，ROC曲线下面积（AUC）为0.900；
校准度：校准曲线显示其预测值与实际观察值高度一致，H-L检验表明预测模型与实际结果具有良好一致性（χ² = 7.242，P = 0.511）；
临床实用性：决策曲线分析（DCA）表明，该列线图模型可显著提高临床获益。
3.内部验证：采用自助法（bootstrap）进行，结果显示，预测模型的准确率为0.806，Kappa值为0.608，表明该模型具有较好的预测价值。
4.外部验证：列线图模型的C指数为0.81，表明其具有良好的区分能力，AUC为0.784（95% CI: 0.705–0.863）。并计算模型的灵敏度、特异度和准确度。使用H-L检验评估评分模型在验证队列中的拟合优度。
本研究首次开发并验证了美托洛尔治疗儿童 VVS 疗效的预测模型。所建立的列线图和评分模型可帮助临床医生预测和选择治疗方案，从而实现儿童 VVS 患者的个体化治疗。
老郑小评
是不是很简单，很常规的方法？能发表到柳叶刀子刊，那它的优势在哪呢？
首先，这项精准狙击临床痛点，弥补了研究空白！
其次，教科书级验证设计！模型性能评估（区分度、校准度、临床实用性）三件套；内部验证、外部验证，既评价可重复性，又评价可泛化性。做的很规范。
临床实用性强，预测模型的价值在于应用，筛选出来的变量也不是越多越好，并且与其他研究相比，本研究所使用的指标测量方法无创、快速、简单且经济。
在算法内卷的时代，这项研究用最朴素的统计学方法证明：临床价值＞技术复杂度。一个模型好不好，关键还是数据，而不是统计算法。
-pkUD.png)