建议收藏！临床预测模型最常见的七种图表（森林图、ROC曲线、决策曲线、校准曲线、生存曲线、列线图、Lasso回归系数路径图）

1. Lasso回归系数路径图

当纳入分析的变量较多时，研究者常通过Lasso回归进行降维与变量选择，并能在一定程度上处理预测变量间的多重共线性。

Lasso回归系数路径图展示了随着惩罚系数λ的变化，各个变量的回归系数如何逐渐收缩至零，与之配套的交叉验证误差图则用于辅助选择最佳的λ值。

通常，我们会关注交叉验证误差最小处的λ值，以及一个标准差（1-SE）范围内的λ值，以此在模型简洁性与预测精度之间取得平衡，确定最终纳入模型的预测因子。

Lasso回归模型的系数路径（A）和交叉验证误差图（B），用于筛选关键基因

当然，对于具有明确临床背景的研究，基于专业知识的全变量纳入也是一种避免纯数据驱动偏差的重要策略。

2. 森林图

确定了预测因子后，多因素回归分析的结果通常使用森林图来展示：

森林图能够清晰地呈现每个变量的效应量及其不确定性。例如，在二分类结局中表现为比值比Odds Ratio，在生存分析中表现为风险比Hazard Ratio。

解读时，我们主要关注点估计值（图中的中心点）以及其95%置信区间（两侧的横线）：

若置信区间的横线没有跨过无效线（即1的位置），则表明该变量与结局的关联具有统计学意义；
点估计值偏离1的程度可提示效应大小，但需结合其置信区间的宽度及临床背景进行综合解读。

森林图

展示了四个关键基因的单因素Cox回归分析，显示了HR值和95%置信区间

1. 决策曲线分析（DCA）

在统计学性能达标后，需要评估模型的临床实用性，决策曲线分析就派上了用场。

DCA曲线的目的是评估在不同决策阈值概率下，使用模型指导临床决策所能带来的净获益。

图表中通常包含两条重要的参考线：代表“所有患者均接受治疗”和“所有患者均不接受治疗”的策略。
如果模型的曲线位于这两条参考线之上，说明在相应的阈值概率范围内，依据该模型进行决策能比简单的全治或全不治策略带来更大的临床净获益，这是证明模型具有实际应用价值的关键证据。

DCA决策曲线

展示了模型曲线彩色线在大部分阈值范围内均高于“全治”和“全不治”的参考线，表明具有临床净获益。

2. 列线图

为了方便实际使用，复杂的回归方程常被转化为可视化的列线图，列线图将每个预测变量的效应大小转化为具体的刻度线和分值。

使用时，根据患者各项指标在对应刻度线上找到得分，将所有变量得分相加得到总分，再对应到底部的总得分-概率转换线，即可直接读取该患者的预测患病概率或生存率。

多因素Cox回归模型构建的列线图

包含病理分期、ER/PR状态及基因表达，预测1、3、5年生存率，发现AIFM1在乳腺癌中是致癌因素。

3. Kaplan-Meier生存曲线（用于风险分层）

对于预后模型，风险分层是验证其临床价值的重要环节：

我们根据模型预测的风险分数，通常按中位数、三分位数或临床界值将人群划分不同风险等级，绘制各组的Kaplan-Meier生存曲线。

若不同风险组的生存曲线在图上明显分离，且Log-rank检验显示组间差异具有统计学意义，则证明该模型能有效识别预后不同的患者群体，具有良好的临床分层能力。

Kaplan-Meier生存曲线

展示了根据模型风险评分，将患者分为高风险组（红色）和低风险组（蓝色）后的KM生存曲线，两组分离明显且P<0.001。