🙋‍♀️哈喽 ，这里是小光，继续给大家分享临床研究值得读的文献~ 🔥今天与大家分享的临床研究文章是： Nomogram established on account of Lasso-Cox regression for predicting recurrence in patients with early-stage hepatocellular carcinoma 基于Lasso-Cox回归建立的诺模图预测早期肝细胞癌患者的复发。 关键词：预后模型+547例+1:1拆分+Lasso_COX+随机森林+Nomo+C_index+校准度 🚩小光总结： 1️⃣该文可以增加流程图，这个非常有必要，会让读者一目了然，甚至可以将统计方法流程图与选择对象流程图相融合的方法来展示。 2️⃣基线很完美。作者采用1:1拆分，其实风险还是很大的，因为这种拆分会然训练集的样本量偏小，故而对模型的稳定性要从样本量的角度加以考虑。 3️⃣作者主要对两个模型的C_index大小进行比较，以决定模型的优劣。通常做法是比较模型的AIC和BIC。 4️⃣作者只给出了区分度的数值，即C_Index，如果可以给出模型1-3-5年的RFS的Time_ROC，并展示其AUC 的可信区间，将更加完美。如果进一步可以绘制Time_AUC，展现除了1-3-5年之外，更多时点的AUC，并进行Bootstrap验证，那就无可挑剔了。 5️⃣Nomogram：图上的0-1等数值，最好展示专业意义的标签，比如，YES-NO，≥50岁，0.05，说明基线可比，但是目测其中若干数值变量，存在不符合正态分布的可能性，最好文中提及经过了正态性检验符合正态分布，如果不符合，还是建议采用中位数和四分位数间距表示，继而，统计方法也要改变。 👉如果您今年也想发一篇SCI，但苦于科研基础差，那就不妨试试0基础友好的临床预测模型噢！