这些数据要留意呀，发SCI的神器

有些临床医生总是到处找数据库进行数据挖掘，却忽略自己身边的病例数据，如果能收集到这些数据，发SCI就简单了，剩下的事情就是复制、粘贴代码的事情。下面介绍的文章就是这样干的，收集了300多例病人数据，然后复制代码生成一些图片，即可写文章。这篇文章发表在World J Surg，IF：2.234。文章题目：Nomogram Analysis and Internal Validation to Predict the Risk of Cystobiliary Communication in Patients Undergoing Hydatid Liver Cyst Surgery。

研究目的：

膀胱胆道沟通（CBC）引起的胆漏是临床普遍关注的问题。这项研究试图确定进行包虫肝囊肿手术的肝囊性棘球co虫病（HCE）患者中CBC的预测因素，并建立诺模图以预测CBC。

研究方法：

在2013年1月至2017年5月期间诊断的310例HCE患者的训练队列中建立了预测模型。在对这些患者的临床参数和影像学特征的记录进行修订后，套索回归模型用于优化CBC风险的特征选择 模型。结合特征选择，开发了具有多变量逻辑回归的CBC诺模图。C指数和校准图用于分析和评估判别和校准。诺模图的净收益和预测准确性是通过决策曲线分析（DCA）和接收器工作特性（ROC）曲线进行的。自2017年6月至2019年5月招募的132名患者的独立验证队列用于评估列线图的实用性。

研究结果：

预测因子包含四个特征，即碱性磷酸酶（ALP），谷氨酰转肽酶（GGT），囊肿大小和囊肿位置。诺模图的C指数为0.791（95％CI，0.736-0.845），而通过自举验证的C指数为0.746，表明预测精度高。训练中CBC的曲线下面积（AUC）为0.766。ROC曲线分析显示出高灵敏度和特异性。决策曲线分析证实，以8％的不粘连可能性阈值确定干预措施时，CBC诺模图在临床上很有用。

研究结论：

使用ALP，GGT，囊肿大小和囊肿位置形成的列线图可用于促进HCE患者的CBC风险预测。

复制代码生成的图片