期刊简介
《中草药》杂志是由中国药学会和天津药物研究院共同主办的国家级期刊，月刊，国内外公开发行。本刊创始于1970年1月。1992年荣获首届全国优秀科技期刊评比一等奖； 2002年荣获中国期刊方阵“双奖期刊”；2003年1月荣获第二届国家期刊奖（期刊界最高奖）；2005年1月荣获第三届国家期刊奖提名奖，2005—2010年连续6次荣获“百种中国杰出学术期刊”；2006年荣获天津市优秀期刊“特别荣誉奖”；2008年荣获“中国精品科技期刊”；2009年荣获“新中国60年有影响力的期刊”和“中国科协精品科技期刊”；2010年荣获“第二届中国出版政府奖期刊奖”（中国新闻出版行业最高奖）。本刊为中国自然科学核心期刊、全国中文核心期刊，位居中药学期刊之首。多年来一直入选美国《化学文摘》（CA）千刊表，并被美国《国际药学文摘》（IPA）、荷兰《医学文摘》（EM）、荷兰《斯高帕斯数据库》（Scopus）、美国《乌里希期刊指南》（Ulrich’s Periodicals Directory）、世界卫生组织西太平洋地区医学索引（WPRIM）、波兰《哥白尼索引》(IC)、英国《质谱学通报(增补)》（MSB-S）、日本科学技术振兴机构数据库（JST)、美国剑桥科学文摘社（CSA/ProQuest）数据库等国际著名检索系统收录。本刊被收录为国家科技部“中国科技论文统计源期刊”（中国科技核心期刊）。经中国科学文献计量评价研究中心和中国学术期刊（光盘版）编委会认定，《中草药》杂志为“中国科学引文数据库来源期刊”和“中国学术期刊综合评价数据库来源期刊”，并由中国知网独家全文收录。本刊主要报道中草药化学成分；药剂工艺、生药炮制、产品质量、检验方法；药理实验和临床观察；药用动、植物的饲养、栽培、药材资源调查等方面的研究论文，并辟有中药现代化论坛、专论、综述、新产品、企业介绍、学术动态和信息等栏目。承蒙广大作者、读者的厚爱和大力支持，本刊稿源十分丰富，为了缩短出版周期，增加信息量，本刊自2011年1月起由A4开本每期168页扩版为208页，定价35.00元。国内邮发代号：6-77，国外代号：M221。请到当地邮局订阅。如有漏订者，可直接与本刊编辑部联系。欢迎广大作者踊跃投稿，欢迎广大读者订阅，欢迎与中外制药企业合作，宣传推广、刊登广告（包括处方药品广告）。中草药杂志社网上在线投稿、审稿、查询系统已开通，欢迎广大读者、作者、编委使用。
揭秘临床预测：样本量估算的黄金法则！
时间：2024-12-20 11:12:27
临床预测模型是现代医学研究中不可或缺的工具，它们帮助医生更准确地预测疾病的发展、治疗效果以及患者的预后。构建一个可靠的临床预测模型，需要精确的样本量估算。这不仅关系到研究的科学性，也直接影响到模型的实用性和推广价值。
一、现状与问题
在医学研究中，样本量的估算是确保研究结果可靠性的关键环节。传统的样本量估算方法往往基于经验公式，如“每个预测参数至少需要10个事件（EPV, Events per Variable）”的原则。这种方法虽然简单易行，但并未考虑到多分类变量、交互作用、非线性关系等复杂因素的影响，因此在实际应用中存在一定的局限性。
二、更优的估算方法
为了解决上述问题，Richard D Riley等学者提出了一种更为精确的样本量估算方法，并开发出了实用的计算工具——pmsampsize包。这种方法不仅适用于连续、二元分类和时间到事件的结局指标，还提供了一套完整的标准来最小化过拟合的可能性，并确保关键参数的精确估计。
过拟合程度小：即预测效应的预期缩小不超过10%。
模型的表观R方值和调整R方值的绝对差值小于0.05。
精确估计残差标准差：对于连续结果模型。
精确估计预测关键时间点的人群平均结果风险：对于二元或生存结果模型。
三、实例解析
为了更好地理解这一方法，我们可以通过具体的实例来进行解析。假设我们要开发一个用于预测患者手术后恢复情况的临床预测模型，其中包含20个候选预测因子，预期事件发生率为0.174（17.4%），现有预测模型的Cox-Snell R平方值为0.288。使用pmsampsize包进行计算后，我们可以得到所需的最小样本量为662例。
四、验证阶段样本量估算
除了构建模型阶段的样本量估算外，验证模型阶段同样重要。经验估计法建议单中心外部验证至少收集100例阳性事件和100例非阳性事件；多中心外部验证则要求每家中心至少有50例阳性事件。如果目标是得出合适的校准曲线，则需要更大的样本量，至少200例阳性事件和200例非阳性事件。此外，还可以基于效应指标来计算验证阶段所需的样本量，以确保模型验证的准确性和可靠性。
五、注意事项
数据质量：高质量的数据是构建准确预测模型的基础。因此，在估算样本量时必须考虑数据的代表性和质量。
避免数据分割：在可能的情况下，应使用所有可用数据进行模型开发，并采用重采样方法（如bootstrap）进行内部验证。
机器学习的应用：当使用机器学习算法开发预测模型时，通常需要更大的样本量来防止过拟合。
外部验证的重要性：即使内部验证表现良好，也需要外部验证来评估模型在新数据集上的性能。
通过精确估算样本量并遵循一系列标准流程和技术指南，研究人员能够开发出更加可靠和有效的临床预测模型。这些模型不仅有助于提高医疗决策的质量，还能为患者带来更好的治疗结果。