缘起

LASSO是由1996年Robert Tibshirani首次提出，全称Least absolute shrinkage and selection operator，是一种采用了L1正则化(L1-regularization)的线性回归方法，本号前期发过多篇专题：

临床预测模型，近年已经进入爆发模式。Lasso回归也频频见于预测模型文中，松哥本期给大家总结整理LASSO在临床预测模型中的常见几种用法

用法一：

这也是最常见的用法，采用LASSO进行回归，根据10重交叉验证，筛选得到最优的模型，也就是拿到筛选得到的预测因子。

然后用筛选得到的因子，继续做后续的多因素Logsitic回归或者多因素COX回归，得到最终的临床预测模型，用于后续的区分度、校准度、临床实用度以及Nomogram的制作。

Nomogram-Based Prediction of the Risk of Diabetic Retinopathy:

A Retrospective Study

如上述这篇文章，采用LASSO回归，对19个预测因子进行筛选，最终选得7个预测因子。然后对7个预测因子构建多因素Logistic回归模型。

然后作者就基于这7个因素，构建了Nomogram，并进行了后续3个度的评价。

用法二：

当我们研究的因素较多几种常见的预测模型，可以先进行单因素Logistic或COX回归，先筛选一批可能的预测因子；

然后再采用LASSO回归进行筛选，将筛选得到的预测因子，再次进行多因素Logisti【78个搞.钱项.目】c或COX回归，确定最终模型。如下这篇文章所述：

文章：Nomogram for predicting overall survival in stage II-III colorectal cancer

作者单变量分析发现59个因素，基于专业有加上5个P>0.05的因素（大家可以学习这种表达，有的时候我们建模，发现某个专业上有意义的变量，却没有进入多因素分析阶段，可以通过这样的表述把加进去），共64个因素。

然后对这个64因素几种常见的预测模型，进行LASSO筛选，发现了6个系数不为零，也就是有意义的预测因子。

作者对【8 8个.赚钱项目】这6个预测因子，做了多因素COX回归，最终发现4个因子。

最终构建的最优模型如下，共4个因子。

然后构建了4个因子的Nomo图，以及后续的3个度的验证，就不说了！

用法三：

这种用法相对少见，就是直接用LASSOLOGIT或者LASSOCOX进行变量筛选，筛选后，用最小误差解，构建模型，无需在对LASSO筛选得到的多个因子，在进行多因素的Logistic或COX进行分析。

精鼎原创，欢迎转发，未经允许，谢绝转载！

———END———
限 时 特 惠： 【资 ;源 之.家.】mxyxt .com 每日持.续更新.可.实操.的副.业.项目,【微-信 】 qgz mt1， 【点击查看详情】

站 长 微 信： qgzmt1