BMJ方法學(xué)重磅指南：在醫(yī)學(xué)研究中如何更加合理處理連續(xù)性變量和非線性關(guān)聯(lián)（一）

在醫(yī)學(xué)研究中，連續(xù)變量（如年齡、血壓、生物標(biāo)志物濃度等）無處不在。然而，許多研究者在處理這些變量時(shí)，常常采用簡單分類（如二分化）或假設(shè)線性關(guān)系的方法。這些方法雖然簡單，但往往會(huì)導(dǎo)致信息丟失、統(tǒng)計(jì)功效下降，甚至得出錯(cuò)誤的結(jié)論。

針對此類問題，四大頂級期刊中BMJ于2025年7月發(fā)表了一篇題為“Dealing with continuous variables and modelling non-linear associations in healthcare data: practical guide.”文章，展示簡單分類或假設(shè)線性關(guān)系的方法在處理連續(xù)性變量中的弊端，并介紹更加合理的處理連續(xù)性變量和擬合非線性模型的方法。

鏈接：https://www.bmj.com/content/390/bmj-2024-082440

為了方便廣大醫(yī)學(xué)研究者學(xué)習(xí)，我們將通過兩篇文章分別介紹傳統(tǒng)的處理連續(xù)性變量存在的問題、更加合理的處理連續(xù)性變量和擬合非線性模型的方法。

連續(xù)變量的常見處理方法及其問題

在醫(yī)療研究中，連續(xù)變量通常需要進(jìn)行分析，但許多研究者選擇將其分類處理，例如將年齡分為“<60歲”和“≥60歲”兩組，或者假設(shè)變量與結(jié)果之間存在線性關(guān)系。然而，這些方法存在諸多問題：

• 信息丟失：分類處理會(huì)丟失大量信息，尤其是二分化處理，會(huì)導(dǎo)致最大的信息損失。例如，將年齡分為兩組，會(huì)忽略組內(nèi)個(gè)體之間的差異。

• 統(tǒng)計(jì)功效下降：分類處理會(huì)降低統(tǒng)計(jì)功效，導(dǎo)致預(yù)測模型性能下降。例如，假設(shè)線性關(guān)系時(shí)，如果真實(shí)關(guān)系是非線性的，模型的預(yù)測能力會(huì)顯著下降。

• 人為斷點(diǎn)：分類處理假設(shè)在某個(gè)特定點(diǎn)（如中位數(shù)）前后變量的影響截然不同，這在生物學(xué)上往往沒有依據(jù)。

• 殘差混雜：分類處理會(huì)導(dǎo)致殘差混雜，影響模型的解釋能力。例如，將連續(xù)變量分類后，模型可能無法準(zhǔn)確捕捉變量之間的復(fù)雜關(guān)系。

案例研究：腦脊液葡萄糖與細(xì)菌性腦膜炎

為了更直觀地展示這些方法的弊端，本研究使用了一個(gè)公開的腦脊液葡萄糖（CSF glucose）與細(xì)菌性腦膜炎的案例研究。研究目標(biāo)是通過腦脊液葡萄糖水平預(yù)測細(xì)菌性腦膜炎的發(fā)生。

• 數(shù)據(jù)集：包含501例急性腦膜炎患者的腦脊液葡萄糖水平、年齡、性別和腦脊液白細(xì)胞計(jì)數(shù)等信息。

• 建模方法：研究嘗試了三種不同的建模方法：

• 線性模型：假設(shè)腦脊液葡萄糖與腦膜炎之間的關(guān)系是線性的。

• 分類模型：將腦脊液葡萄糖水平分為兩組（<62 mg/dL 和 ≥62 mg/dL）。

• 非線性模型：使用限制立方樣條（RCS）來捕捉非線性關(guān)系

三種建模方法的對比

• 線性模型：假設(shè)每單位腦脊液葡萄糖水平的增加都會(huì)導(dǎo)致腦膜炎風(fēng)險(xiǎn)的恒定變化。這種模型簡單易解釋，但忽略了真實(shí)關(guān)系可能是非線性的。

• 分類模型：將腦脊液葡萄糖水平分為兩組，假設(shè)兩組之間的風(fēng)險(xiǎn)差異是恒定的。這種模型雖然簡單，但忽略了組內(nèi)個(gè)體之間的差異，導(dǎo)致信息丟失。

• 非線性模型：使用限制立方樣條（RCS）允許腦脊液葡萄糖水平與腦膜炎風(fēng)險(xiǎn)之間的關(guān)系是非線性的。這種模型能夠更準(zhǔn)確地捕捉真實(shí)關(guān)系，但需要更多的計(jì)算資源和更復(fù)雜的解釋。

結(jié)果分析

模型

• 擬合效果：非線性模型（RCS ）的 AUC 值為 0.96 ，顯著高于線性模型（ 0.87 ）和分類模型（ 0.87 ），表明其預(yù)測能力更強(qiáng)。

• 風(fēng)險(xiǎn)預(yù)測：非線性模型揭示了腦脊液葡萄糖水平在較低和較高時(shí)均會(huì)增加腦膜炎的風(fēng)險(xiǎn)，而線性模型和分類模型未能捕捉到這種 U 型關(guān)系。

• 圖形展示：通過部分條件效應(yīng)圖（ Partial Conditional Effect Plot ）和劑量 - 反應(yīng)圖（ Dose-Response Plo t ），可以直觀地展示腦脊液葡萄糖水平與腦膜炎風(fēng)險(xiǎn)之間的非線性關(guān) 系。

總結(jié)

在處理連續(xù)變量時(shí)，簡單分類和假設(shè)線性關(guān)系的方法雖然簡單，但往往會(huì)導(dǎo)致信息丟失和預(yù)測能力下降。相反，使用限制立方樣條（RCS）等非線性建模方法可以更準(zhǔn)確地捕捉變量之間的復(fù)雜關(guān)系，提高研究的準(zhǔn)確性和可靠性。在實(shí)際研究中，建議根據(jù)研究目標(biāo)和樣本量選擇合適的建模方法，并通過圖形化展示來解釋模型結(jié)果。

參考文獻(xiàn)：BMJ. 2025 Jul 16;390:e082440. doi: 10.1136/bmj-2024-082440.

醫(yī)咖會(huì)9周年

驚喜第一彈來啦！

醫(yī)咖會(huì)基礎(chǔ)會(huì)員全面大升級，趕快去領(lǐng)取一年基礎(chǔ)會(huì)員！

基礎(chǔ)會(huì)員權(quán)益：28張基礎(chǔ)課程券，基礎(chǔ)課程均可兌換！醫(yī)咖會(huì)SCI-AI工具，科研內(nèi)容訓(xùn)練，回復(fù)更專業(yè)！

點(diǎn)擊“閱讀原文”/應(yīng)用商店搜索/掃碼下載醫(yī)咖會(huì)APP，登錄后，彈窗領(lǐng)取基礎(chǔ)會(huì)員！