目的·建立基于列线图的原发性头痛辅助决策模型。方法·回顾性收集2019年10月-2020年12月就诊于上海交通大学医学院附属第九人民医院的偏头痛或紧张型头痛患者210例;其中2019年10月-2020年8月就诊的152例患者作为建模组,2020年...目的·建立基于列线图的原发性头痛辅助决策模型。方法·回顾性收集2019年10月-2020年12月就诊于上海交通大学医学院附属第九人民医院的偏头痛或紧张型头痛患者210例;其中2019年10月-2020年8月就诊的152例患者作为建模组,2020年9月-2020年12月就诊的患者58例作为验证组。应用单因素及多因素Logistic回归分析筛选出区分偏头痛和紧张型头痛的独立预测因素。基于自变量的回归系数,应用R软件建立偏头痛和紧张型头痛个体化列线图决策模型。通过Bootstrap进行模型的内部验证,使用验证组数据进行模型的外部验证。分别采用受试者操作特征曲线(receiver operator characteristic curve,ROC曲线)、曲线下面积(area under the curve,AUC)及校准曲线评价模型的区分度及校准度。结果·建模组中偏头痛患者80例,紧张型头痛患者72例;验证组中偏头痛患者35例,紧张型头痛患者23例。建模组和验证组患者在一般人口学资料和头痛特征上差异无统计学意义。根据单因素Logistic分析结果提取9个特征变量纳入多因素分析。多因素Logistic回归分析得出病程、头痛是否位于后枕部、头痛的严重程度、是否伴有恶心/呕吐、是否伴有畏光/畏声、活动后头痛的变化是区分偏头痛和紧张型头痛的独立预测指标。以此结果构建列线图决策模型。对模型进行内部和外部验证发现,建模组和验证组的AUC值分别为0.896[95%置信区间(confidence interval,CI)0.842~0.950]和0.884(95%CI 0.793~0.976),说明模型具有良好的区分度;建模组和验证组的校准曲线与标准曲线均极为接近,具有良好的校准度,说明该模型在2组中较为一致。结论·研究构建了基于列线图的偏头痛和紧张型头痛决策模型,模型具有较好的区分度和校准度,有利于提高临床医师对偏头痛和紧张型头痛的早期识别和诊断能力。展开更多
文摘目的·建立基于列线图的原发性头痛辅助决策模型。方法·回顾性收集2019年10月-2020年12月就诊于上海交通大学医学院附属第九人民医院的偏头痛或紧张型头痛患者210例;其中2019年10月-2020年8月就诊的152例患者作为建模组,2020年9月-2020年12月就诊的患者58例作为验证组。应用单因素及多因素Logistic回归分析筛选出区分偏头痛和紧张型头痛的独立预测因素。基于自变量的回归系数,应用R软件建立偏头痛和紧张型头痛个体化列线图决策模型。通过Bootstrap进行模型的内部验证,使用验证组数据进行模型的外部验证。分别采用受试者操作特征曲线(receiver operator characteristic curve,ROC曲线)、曲线下面积(area under the curve,AUC)及校准曲线评价模型的区分度及校准度。结果·建模组中偏头痛患者80例,紧张型头痛患者72例;验证组中偏头痛患者35例,紧张型头痛患者23例。建模组和验证组患者在一般人口学资料和头痛特征上差异无统计学意义。根据单因素Logistic分析结果提取9个特征变量纳入多因素分析。多因素Logistic回归分析得出病程、头痛是否位于后枕部、头痛的严重程度、是否伴有恶心/呕吐、是否伴有畏光/畏声、活动后头痛的变化是区分偏头痛和紧张型头痛的独立预测指标。以此结果构建列线图决策模型。对模型进行内部和外部验证发现,建模组和验证组的AUC值分别为0.896[95%置信区间(confidence interval,CI)0.842~0.950]和0.884(95%CI 0.793~0.976),说明模型具有良好的区分度;建模组和验证组的校准曲线与标准曲线均极为接近,具有良好的校准度,说明该模型在2组中较为一致。结论·研究构建了基于列线图的偏头痛和紧张型头痛决策模型,模型具有较好的区分度和校准度,有利于提高临床医师对偏头痛和紧张型头痛的早期识别和诊断能力。
