🤔А что если в шкалу Каприни добавить...🤔
...концентрацию глюкозы натощак?
Тогда можно получить вот такие красивые и бесполезные ROC-кривые, как в этой китайской
работе, опубликованной в BMC Musculoskelet Disord в феврале 2025 года.
Мне, как большому эксперту по шкале Каприни, регулярно присылают на рецензию китайские исследования, которые, чаще всего, имеют сходный дизайн: ретроспективный анализ когорты больных с такой-то патологией, которым сделали УЗАС, нашли ТГВ или нет, посчитали балл Каприни, который был выше при тромбозе, сделали анализ ROC, добавили такой-то новый предиктор, переделали анализ ROC, получили улучшение предсказательной способности, модифицировали шкалу Каприни для своего частного случая.
Так вот, в приведённой работе китайцы делают тоже самое, но с использованием продвинутых методов статистического анализа: тут вам и LASSO, и тест Хосмера-Лемешоу, и расчёт индексов реклассификации (даже не спрашивайте, что это такое, я пока сам не очень разобрался, но, говорят, что в RStudio сделать такое можно легко и просто, не вникая в минимизацию суммы квадратов), и построение уникальной номограммы.
Правда, есть одно большое НО, которое отличает все китайские исследования такого рода: авторы убеждены, что предсказывают тромбоз, но, на самом деле, его диагностируют.
Итак, есть когорта из 953 пациентов с различными свежими (без уточнения) переломами нижних конечностей (от стопы до бедра), которые поступили в клинику с перспективой хирургического лечения. Всем сделали УЗАС и нашли какой-то ТГВ 11,5% случаев. Далее, разделив эту когорту на тренировочную и валидационную, начали искать различия между пациентами с тромбозом и без него, при этом именуя классическое ретроспективное когортное исследование типом "случай-контроль".
Закономерно, что у больных с ТГВ обнаруживается больше факторов риска тромбоза, а значит и выше балл Каприни (средняя цифра не приводится, даётся только распределение в группы риска), а также некоторые другие различия по лабораторным параметрам, включая (вы не поверите) Д-димер и концентрацию глюкозы натощак.
Далее начинается многоступенчатый регрессионный анализ, в результате которого основными достоверными предикторами становятся возраст, Д-димер балл Каприни и глюкоза (посмотрите на рисунок 1b, лично я не понимаю, как ОШ в многофакторной логистической регрессии стало меньше 1).
Затем новые достоверные предикторы подставляются в классическую шкалу Каприни (тут авторы утверждают, что используют версию 2013 года, но это точно не она - посмотрите приложение) с формированием 3-х модификаций, для которых повторно проводится ROC анализ. При этом абсолютно непонятно, какие отсечки для Д-димера и глюкозы используются и сколько баллов им присваивается (в приложении можно найти предложенную модификацию, предполагающую, что глюкозе >6,1 ммоль/л дали 1 балл, а Д-димеру >500 мг/л присвоили 3 балла, но это неточно), а по результатам анализа определяются площади под кривыми для всех моделей (лучшей оказалась, вполне закономерно, учитывающая и Д-димер, и глюкозу) с расчётом чувствительности и специфичности непонятных отсечек, приведённых в форме неизвестных величин (таблица 3: все величины меньше 1,0, поэтому это точно не баллы).
Далее все модели тестируются в валидационной когорте, проводится тест Хосмера-Лемешоу, рассчитываются сложные индексы, строятся красивые калибровочные кривые, доказывающие преимущество последней модели.
И лишь в самом финале сравниваются оригинальная (да не очень) шкала Каприни и её модификации на основании анализа кривых ROC, подтверждая пользу от включения Д-димера и глюкозы в отношении предсказания...
...наличия ТГВ у пациента с переломом костей нижних конечностей.
Таким образом, все эти ненужные и сложные расчёты были нужны лишь для того, чтобы лишний раз доказать: у пациентов с ТГВ повышается Д-димер (а ещё иногда глюкоза).
Вот такая вот суровая и беспощадная китайская наука, но богатая и готовая платить за публикацию всякой фигни в ОА (в смысле,
статья в свободном доступе).