2024年12月6日，顶刊Lancet子刊《eClinicalMedicine》（医学一区top，IF=9.6）发表了一篇题为：“Novel type 2 diabetes prediction score based on traditional risk factors and circulating metabolites: model derivation and validation in two large cohort studies”的研究论文，旨在评估在临床使用的剑桥糖尿病风险评分（CDRS）基础上添加代谢组学生物标志物对评估2型糖尿病10年风险的增量预测价值。
（如果你需要全文，请在医学论文与统计分析微信公众号后台回复关键词“pdf”。如果你对预测模型感兴趣，来看看我们临床预测模型服务吧，一对一指导！详情可咨询助教，微信号：aq566665）
研究设计
在这项研究中，研究者用了两个大型队列研究推导和验证预测模型。
模型推导和内部验证：纳入了86,232名英国生物银行（UKB）参与者（在2006年3月13日至2010年10月1日期间招募），将队列拆分为训练集（70%）和测试集（30%）。
外部验证：纳入了4383名来自德国ESTHER队列的参与者（在2000年7月1日至2002年6月30日期间招募）。
研究人员对参与者进行了10年的随访，以评估2型糖尿病的发病率。
图1 参与者纳排流程图
√CDRS是一种预测工具，用于评估个人未来发展为2型糖尿病的风险。
这个评分系统包括年龄、性别、身体质量指数（BMI）、糖尿病家族史、吸烟状况、抗高血压药物和类固醇的处方。如果可以采集血液样本，建议使用临床CDRS，其中还包括HbA1c。
√代谢组学分析
Nightingale Health的高通量NMR代谢组学平台用于测量随机选择的UKB参与者基线血浆样本中的250种代谢物，以及ESTHER队列中具有足够血液样本质量的所有基线血清样本。
因为在两个队列的大多数参与者中甘油无法测量，甘油被排除在外，留下249个代谢物用于分析。
自变量它是如何筛选的
本文的自变量筛选很有意思，为了进行变量选择，研究者采用了LASSO方法，使用Cox比例风险模型和r包“glmnet”（版本4.1-7）。将临床CDRS和所有代谢物浓度作为自变量，2型糖尿病发生率作为因变量。
在训练集内，研究者进行了1000个重抽样样本的bootstrap过程，以增强变量选择过程的稳定性和泛化性。
对于每个bootstrap样本，我们进行10次交叉验证，以识别正则化参数λ的最佳值，使交叉验证误差最小化。
LASSO Cox比例风险模型在每个重抽样的样本中使用最优λ进行拟合，这使一些系数接近于零，而其他系数完全接近于零。
我们记录了在每个bootstrap样本的最终Cox比例风险模型中具有非零系数的代谢物，这些代谢物被选择。
完成所有的1000个bootstrap样本后，我们计算这1000个bootstrap样本中每个代谢物的选择频率，作为它被选择的次数的百分比。
随后根据代谢物的选择频率进行排序，范围从0%到100%。
在1000个bootstrap样本中，LASSO选择的代谢物至少有95%（这个阈值之前已经给出）是被选择的，可以增强模型的泛化能力并最小化模型过拟合。将筛选出的代谢物纳入临床CDRS构建新的预测模型。
最终，通过LASSO分析和bootstrapping法，研究者选择了11种代谢物来增强训练集中临床CDRS对2型糖尿病风险的预测能力。
图2 11种代谢物的Pearson相关系数相关矩阵
如何理解它的自变量筛选
全套过程，我想大家看得眼花缭乱，但确实做到了“增强变量选择过程的稳定性和泛化”的目的。
基于lasso的方法筛选自变量是常规套路，但lasso的方法存在不确定性，或者存在着过拟合的可能性。
一般来说我们干完lasso就结束了。它不！这篇论文在lasso基础上用了一些其他方法。
一个是实现泛化性，用的是十折交叉方法，那就可以减少过拟合的方法，哪个场景下模型验证效果最好的，意味着泛化能力最强，这个时候的lasso模型是最好的。
第二个是实现稳定性，lasso结果不稳定怎么办？那就来1000次，1000个lasso方法95%都存在着的自变量。
高明！这套组合拳，老郑我看得觉得有意思。
他们家的变量实在是太多了。太富裕了，随便你折腾，最终都有足够的自变量纳入模型。
下次你们也试试。
