$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Dane demograficzne
W badaniu uwzględniono 665 pacjentów z złamaniami biodra, którzy spełniali kryteria włączenia i zostali zarejestrowani w badaniu (Rysunek 1). Wśród nich, 44 pacjentów (6,6%) zdiagnozowano z wczesnym MCVT wykrytym w badaniu ultrasonograficznym przy przyjęciu w ciągu 48 godzin od urazu. Szczegółowe porównanie cech demograficznych i klinicznych między grupą MCVT i nie-MCVT jest podsumowanych w Tabeli 2.
Regresja LASSO i wyniki RCS
Zmienne kandydujące do roli statystycznie istotnych (p-wartość < 0,01) w analizie jednoczynnikowej, wraz z klinicznie istotnymi parametrami, zostały dalsze przesiewane za pomocą regresji LASSO (Rysunek 2). Oceniono jedenaście kandydujących cech, w tym dziewięć zmiennych ciągłych i dwie zmienne dummy dotyczące rodzaju złamań. Ostateczny model predykcyjny zachował TFIA, całkowity cholesterol (TC), czas aktywowanego tromboplastyny częściowej (APTT), NLR, PLR i TG. PLR wykazał graniczną statystyczną istotność w modelu wielowymiarowy (p-wartość = 0,068), ale został zachowany na podstawie przesiewania LASSO i wiarygodności klinicznej. Aby rozluźnić założenie liniowości, wykonano analizę RCS dla sześciu ciągłych predyktorów, korygując dane o innych zidentyfikowanych zmiennych (Tabela 3). Zaobserwowano istotną nieliniową relację dawkowo-odpowiedzi pomiędzy TG a ryzykiem MCVT (ogólna p-wartość < 0,001). Jak pokazano na Rysunku 3, ryzyko MCVT wzrosło stromo w zakresie niższych do średnich wartości TG, a następnie wzrastało bardziej stopniowo, z większą niepewnością przy wyższych poziomach TG. Analiza RCS została przeprowadzona przy użyciu 3 węzłów. Dla TG węzły zostały umieszczone w 0,62 mmol/L, 1,03 mmol/L i 1,64 mmol/L, co odpowiadało 10., 50. i 90. percentylowi rozkładu TG. Oczywisty punkt odniesienia wokół 1,03-1,04 mmol/L należy uważać za wstępny, a nie zweryfikowany kliniczny próg.
Wielowymiarowa analiza regresji logistycznej
W oparciu o zmienne zidentyfikowane za pomocą analiz LASSO i RCS skonstruowano ostateczny wielowymiarowy model regresji logistycznej. W tym modelu TFIA, TC, APTT, NLR i PLR zostały włączone jako terminy liniowe, podczas gdy TG został włączony jako ograniczony splajn sześciokątny, aby uwzględnić jego nieliniowy efekt (Tabela 4). Sześć zmiennych zostało zachowanych w ostatecznym modelu predykcyjnym: TFIA (OR = 1,026, 95% CI: 1,004–1,049, p-wartość = 0,021), TC (OR = 0,244, 95% CI: 0,146–0,406, p-wartość < 0,001), APTT (OR = 0,856, 95% CI: 0,764–0,959, p-wartość = 0,007), NLR (OR = 1,189, 95% CI: 1,103–1,280, p-wartość <0,001), PLR (OR = 1,004, 95% CI: 1,000–1,008, p-wartość = 0,068) i TG modelowane za pomocą RCS. Ogółem efekt TG w modelu był bardzo istotny (p-wartość < 0,001). Na podstawie tych zmiennych stworzono kliniczny nomogram, aby ułatwić szacowanie ryzyka indywidualnego (Rysunek 4). Pełne współczynniki regresji, przechwyt modelu, współczynniki splajnu TG i lokalizacje węzłów są podane w Tabeli 1. Definicje predyktora są podsumowane w Tabeli 5.
Wydajność modelu
Wydajność dyskryminacyjną modelu oceniono za pomocą analizy charakterystyki operacyjnej odbiornika (ROC) (Rysunek 5), osiągając AUC 0,894 (95% CI: 0,829–0,941). Wykres kalibracji wykazał ogólną zgodność między przewidywanymi prawdopodobieństwami a zaobserwowanymi wynikami (Rysunek 6), wspierany przez wynik Brier 0,041 (bootstrap 95% CI: 0,031–0,053). DCA sugerowało, że stosowanie modelu może zapewnić wyższą netto korzyść niż zarówno strategia "leczyć wszystkich" jak i "nikogo nie leczyć" w zakresie prawdopodobieństwa progowego (Rysunek 7). Obliczono dodatkowe metryki kalibracji. Wyraźny przechwyt kalibracji wynosił około 0, wyraźna nachylenie kalibracji wynosiło 1,000, a kalibracja w dużej skali wynosiła około 0. Poprawiona przez bootstrap skala kalibracji wynosiła 0,896, sugerując umiarkowany optymizm po walidacji wewnętrznej. Wewnętrzna walidacja z 1000 powtórzenia