今天和大家分享一篇年7月发表在Cancermedicine(IF=3.)上的一篇Nomogram文章。

该文章同样选用来自SEER数据库的炎性乳癌（IBC）患者资料，通过单因素多因素COX回归分析，确定了与IBC患者预后（本文仅研究OS）相关的危险因素，并以此为基础建立了Nomogram。此外，研究团队比较了Nomogram和AJCC分期对于患者预后预测的能力。

总体而言，又是熟悉的套路，又是熟悉的配方，大家可以细细品读，尝试着模仿模仿。指不定下一篇就是你们的。

下面一起来看一下文章整体概述。

图1.文章流程图

文章内容概述

1.患者基本信息

此部分研究团队介绍了纳入患者的基本信息，并使用流程图概述了整个队列的纳入过程。在文字部分，研究团队介绍了入组患者的平均随访时间、平均年龄。此外，本文对训练集和验证集数据之间的差异进行了统计分析，结果表明两组患者之间的变量差异均不具有统计学意义。

2.建立列线图

本文选用了3年和5年的总生存率（OS）作为研究终点。在此之前，作者再次对训练集和验证集患者之间的生存资料进行了比较，结果表明两组患者在不同的亚组之间的生存曲线差异无统计学意义（图2）。

图2.不同亚组中训练集和验证集的生存分析

随后，通过单因素COX回归及多因素COX回归分析，9个变量被确定为与预后独立相关的因素，包括种族、婚姻、N、M、HoR、HER-2、手术、放疗以及化疗。基于上述独立危险因素，作者开发了预测IBC患者3年及5年OS的Nomogram（图3）

图3.Nomogram

3.列线图验证

在训练集和验证集中，Nomogram的C指数分别为0.和0.。此外，通过比较C指数，发现Nomogram较TNM和SEERstage具有更高的区分度（图4）。

图4.C指数比较

最后，校准曲线结果表明列线图预测的生存率与实际生存率具有较高的吻合。

总结

通读全文，会发现又是熟悉的套路。基本信息描述+单因素+多因素+Nomogram+C指数+Calibrationcurve，貌似熟悉的DCA没有出现，但是并不影响文章整体。

其实说到DCA，很多人问我是不是必须要的，其实没用必须这一说，检索并阅读文献过程中，你会发现很多文章没有DCA，甚至有些文章都只有一个列线图，即校准曲线也没有。因此，如果你写列线图的文章，只有列线图是必须的！！！其他的，都是对围绕着列线图的工作，有，最好，没有，可能不好。回到本文，常规的套路我觉得是大家可以模仿的。其实方法不难，有基本的统计学知识加上R语言基本技能就可以。当然，如果你需要我们的帮助，也可以与我们联系。本文来源：临床预测模型Nomogram

生信发文助手

如需生信分析服务可扫描左侧