编者按：“AME 作者面对面” 是微信公众号 “AME科研时间” 的特色专栏。编辑部精心挑选了发表在 AME 旗下杂志的优秀论著，诚邀作者总结亮点，分享研究成果，旨在进一步推动医学同行之间的交流和进步。
分享团队：
徐州医科大学公共卫生学院金英良团队
所刊杂志：
Translational Cancer Research（点击查看杂志详情与影响因子）
文章标题：
Cox回归和广义Cox回归模型与机器学习预测儿童弥漫性大B细胞淋巴瘤生存率的比较研究（Comparison of Cox regression and generalized Cox regression models to machine learning in predicting survival of children with diffuse large B-cell lymphoma）
儿童弥漫大B细胞淋巴瘤（DLBCL）的预后分析多采用Cox回归分析，但是Cox回归计算的是粗死亡率，在对连续型变量进行预后模型构建时，要求：(1)风险比值的对数与协变量之间呈线性关系；(2)风险比值的对数与时间无关，只与协变量的线性组合有关。也就是说Cox回归需要满足等比例风险（PH）和对数线性的硬性要求(LL)。而在真实的临床研究中，儿童DLBCL具有高度的异质性和侵袭性，符合Cox回归这两种要求的数据几乎是不存在的，因此更加灵活并且符合儿童DLBCL预后特征的模型在现阶段的临床工作中是迫切需要的。
广义Cox回归运用的是相对生存的灵活建模，在对预后变量特别是连续型变量进行预后评估时，将变量对生存风险的非线性影响进行灵活的分析，即不要求数据满足等比例风险和对数线性的标准，因此构建的预后模型与真实数据的结果更加吻合。机器学习模型XGBoost是基于梯度提升决策改良而来的集成算法，因其疏松的数据要求、较快的训练速度及精确的训练结果等特点，目前已被广泛应用于人工智能、数据挖掘、统计分析等领域。XGBoost算法使用极端梯度提升，在提升树被创建后，可以相对直接地得到每个属性地重要性得分，因此能够对预后变量的重要度进行排序。本研究基于SEER数据库，通过多中心的大数据水平研究了836例儿童DLBCL的临床病理资料，采用传统Cox与广义Cox回归结合机器学习模型XGBoost算法对儿童DLBCL患者的临床资料进行多维度分析，构建了一组新型的预后模型，以提高模型的预测精度和准确性，并采用DCA决策曲线分析模型的临床有效性，从而提高临床工作者对该疾病的认识，为患者的预后分析以及全程管理提供新思路。（论著中文信息由第一作者整理提供，欲览英文原文请扫描下方二维码）
长按识别二维码即可阅读英文原文👆
秦佳佳，本科毕业于徐州医科大学。2021年9月进入徐州医科大学攻读硕士学位，主要从事肿瘤预后评估的研究工作。硕士期间，以第一作者身份发表医学类中文核心论文，多次获得校级学业奖学金和各项荣誉称号。
金英良，副教授，硕士研究生导师，现任徐州医科大学公共卫生学院流行病与卫生统计学教研室任课教师。担任江苏省预防医学会第五届卫生统计专业委员会委员，江苏省预防医学会皮肤性病专委会成员，江苏省预防医学会呼吸系统疾病预防与控制专业委员会委员，徐州医科大学生科学技术协会指导教师。2003年攻读大连医科大学流行病与卫生统计学硕士学位。2006年毕业后，在徐州医科大学流行病与卫生统计学教研室工作。2015年毕业于东南大学流行病与卫生统计学博士学位。主要从事本科生、留学生、硕士研究生和博士研究生医学统计学的教学工作。
排版编辑：袁 舒 AME Publishing Company
