原發(fā)性青光眼發(fā)生風險預測模型的構建與效能評估一、引言1.1研究背景青光眼是全球范圍內主要的不可逆性致盲眼病之一，嚴重威脅人類的視覺健康。原發(fā)性青光眼作為青光眼的主要類型，因其高發(fā)性和嚴重的致盲后果，受到了廣泛關注。原發(fā)性青光眼主要包括原發(fā)性閉角型青光眼（PrimaryAngle-ClosureGlaucoma，PACG）和原發(fā)性開角型青光眼（PrimaryOpen-AngleGlaucoma，POAG），其發(fā)病機制復雜，涉及多種因素，目前確切病因尚未完全明確。原發(fā)性青光眼的危害極大，主要表現為病理性眼壓升高對視神經造成損害，導致視野缺損，嚴重時可致失明。隨著病情的進展，患者的視覺功能逐漸喪失，不僅對日常生活造成極大困擾，降低生活質量，還給家庭和社會帶來沉重的負擔。在全球老齡化趨勢日益加劇的背景下，原發(fā)性青光眼的患病率呈上升趨勢。據世界衛(wèi)生組織（WHO）估計，全球約有6680萬原發(fā)性青光眼患者，其中約10%的患者最終失明。在中國，原發(fā)性青光眼的患病率也較高，且隨著人口老齡化的加劇，患者數量不斷增加。據相關研究表明，我國40歲以上人群原發(fā)性青光眼的患病率約為2.3%-3.05%，這意味著我國有大量人群面臨著原發(fā)性青光眼的威脅。早期發(fā)現和干預對于原發(fā)性青光眼的治療和預后至關重要。由于原發(fā)性青光眼在早期往往癥狀隱匿，患者不易察覺，等到出現明顯癥狀時，視神經可能已經受到了不可逆的損害。因此，早期預測原發(fā)性青光眼的發(fā)生風險，對于及時采取有效的預防和治療措施，延緩疾病進展，保護患者的視功能具有重要意義。傳統(tǒng)的診斷方法主要依賴于眼壓測量、視野檢查、眼底檢查等，但這些方法在早期診斷方面存在一定的局限性，難以準確預測原發(fā)性青光眼的發(fā)生風險。因此，建立一種準確、有效的預測模型，對于原發(fā)性青光眼的早期診斷和防治具有重要的臨床價值和現實意義。1.2研究目的本研究旨在通過收集原發(fā)性青光眼患者及正常人群的臨床資料，運用分類回歸樹（ClassificationandRegressionTree，CART）分析和Logistic多因素回歸分析等方法，篩選出與原發(fā)性青光眼發(fā)生相關的獨立危險因素。在此基礎上，建立預測原發(fā)性青光眼發(fā)生風險的分類回歸樹及列線圖模型，并對模型的準確性、可靠性和臨床應用價值進行評估，為原發(fā)性青光眼的早期預測和防治提供新的工具和方法。具體研究目的如下：明確原發(fā)性青光眼的獨立危險因素：通過對原發(fā)性青光眼患者和正常對照組的臨床資料進行單因素分析和Logistic多因素回歸分析，確定影響原發(fā)性青光眼發(fā)生的獨立危險因素，為后續(xù)模型的建立提供變量依據。建立預測原發(fā)性青光眼發(fā)生風險的模型：運用分類回歸樹分析方法，構建預測原發(fā)性青光眼發(fā)生風險的分類回歸樹模型；依據Logistic多因素回歸分析結果，建立相應的列線圖模型，將復雜的統(tǒng)計模型轉化為直觀、易于臨床醫(yī)生使用的工具。評估模型的性能：采用多種評估指標，如受試者工作特征曲線（ReceiverOperatingCharacteristicCurve，ROC）下面積（AreaUnderCurve，AUC）、一致性指數（C-index）、決策曲線分析（DecisionCurveAnalysis，DCA）等，對建立的分類回歸樹模型和列線圖模型的準確性、區(qū)分度、校準度和臨床實用性進行全面評估，比較兩種模型在預測原發(fā)性青光眼發(fā)生風險方面的優(yōu)劣。驗證模型的可靠性：通過內部驗證（如10倍交叉驗證、Bootstrap自抽樣方法等）和外部驗證（采用獨立的數據集進行驗證），檢驗模型的穩(wěn)定性和可靠性，確保模型能夠在不同的樣本和臨床環(huán)境中準確預測原發(fā)性青光眼的發(fā)生風險。探索模型的臨床應用價值：分析模型在原發(fā)性青光眼早期篩查、風險分層和個性化防治中的應用潛力，為臨床醫(yī)生制定合理的診療方案提供科學依據，以降低原發(fā)性青光眼的發(fā)病率和致盲率，提高患者的生活質量。1.3研究意義本研究致力于構建預測原發(fā)性青光眼發(fā)生風險的分類回歸樹及列線圖模型，其意義體現在臨床應用、學術研究等多個關鍵領域，對青光眼的防治和相關領域的發(fā)展具有重要推動作用。臨床應用：本研究建立的預測模型能夠為臨床醫(yī)生提供科學、客觀的風險評估工具，有助于早期發(fā)現原發(fā)性青光眼的高危人群。通過對患者的相關危險因素進行量化評估，醫(yī)生可以更準確地判斷個體的發(fā)病風險，從而制定個性化的防治策略，實現精準醫(yī)療。對于風險較高的患者，醫(yī)生可以提前采取干預措施，如藥物治療、激光治療或手術治療等，有效延緩疾病的進展，降低失明的風險。同時，預測模型還可以幫助醫(yī)生更好地評估治療效果和預后，為患者提供更合理的治療建議和隨訪計劃，提高患者的生活質量。學術研究：本研究深入探討原發(fā)性青光眼的發(fā)病機制，通過對大量臨床數據的分析，篩選出與原發(fā)性青光眼發(fā)生相關的獨立危險因素，為進一步研究原發(fā)性青光眼的病因和發(fā)病機制提供了重要線索。此外，本研究建立的預測模型為青光眼的研究提供了新的方法和思路，有助于推動青光眼領域的學術發(fā)展，促進相關學科的交叉融合，為青光眼的防治提供更堅實的理論基礎。公共衛(wèi)生：原發(fā)性青光眼是一種常見的致盲性眼病，其高發(fā)病率和致盲率給社會和家庭帶來了沉重的負擔。本研究建立的預測模型有助于在人群中進行原發(fā)性青光眼的篩查和預防，通過早期干預和治療，可以有效降低原發(fā)性青光眼的發(fā)病率和致盲率，減輕社會和家庭的負擔，提高公眾的健康水平。同時，預測模型的應用還可以優(yōu)化醫(yī)療資源的配置，提高醫(yī)療服務的效率和質量，具有重要的公共衛(wèi)生意義。醫(yī)療資源優(yōu)化：準確的預測模型能夠幫助醫(yī)療機構更合理地分配醫(yī)療資源。在資源有限的情況下，將重點資源優(yōu)先投入到高風險人群的篩查、診斷和治療中，避免不必要的醫(yī)療檢查和治療，減少醫(yī)療資源的浪費，提高醫(yī)療資源的利用效率。這不僅有助于降低醫(yī)療成本，還能使更多患者受益于有限的醫(yī)療資源，促進醫(yī)療服務的公平性和可及性。二、原發(fā)性青光眼概述2.1定義與分類原發(fā)性青光眼是一種主要由于眼內壓升高導致視神經受損，進而引發(fā)視野缺損和視力下降的眼病，其發(fā)病原因尚未完全明確，并非由其他眼部疾病或全身性疾病繼發(fā)引起。根據眼壓升高時前房角的狀態(tài)，原發(fā)性青光眼主要分為原發(fā)性開角型青光眼和原發(fā)性閉角型青光眼兩大類型。原發(fā)性開角型青光眼是一種慢性進行性眼病，其特點是眼壓升高，同時前房角始終保持開放，房水外流受阻的原因主要是小梁網和Schlemm管系統(tǒng)功能異常。在疾病早期，患者通常沒有明顯的癥狀，眼壓呈逐漸升高的趨勢，視力和視野的變化也較為隱匿，往往不易被察覺。隨著病情的進展，視神經逐漸受損，患者會出現視盤凹陷擴大、加深，視野逐漸縮小等癥狀，嚴重時可導致失明。由于早期癥狀不明顯，許多患者在發(fā)現時病情已經較為嚴重，因此原發(fā)性開角型青光眼的早期診斷和治療尤為重要。原發(fā)性閉角型青光眼則是由于眼球局部解剖結構異常，導致房角關閉，房水排出受阻，眼壓急劇升高。根據發(fā)病的急緩，又可分為急性原發(fā)性閉角型青光眼和慢性原發(fā)性閉角型青光眼。急性原發(fā)性閉角型青光眼發(fā)作時，患者會出現突然的眼痛、頭痛、視力急劇下降、惡心、嘔吐等癥狀，眼壓可迅速升高至50mmHg以上，眼部檢查可見角膜水腫、前房變淺、瞳孔散大等體征。若不及時治療，可在短時間內導致失明。慢性原發(fā)性閉角型青光眼的發(fā)病過程相對緩慢，癥狀不如急性發(fā)作時明顯，患者可能僅有輕度的眼脹、視物模糊等癥狀，眼壓呈間歇性升高。隨著病情的進展，房角逐漸關閉，視神經受損，最終也會導致嚴重的視力損害。2.2發(fā)病機制原發(fā)性青光眼的發(fā)病機制較為復雜，目前尚未完全明確，一般認為與眼壓升高、眼球局部解剖結構異常、血液循環(huán)異常、遺傳因素、神經遞質失衡、免疫炎癥反應等多種因素有關。眼壓升高是原發(fā)性青光眼的主要危險因素之一，它會對視神經造成機械性壓迫和缺血性損害。在原發(fā)性開角型青光眼中，小梁網和Schlemm管系統(tǒng)功能異常，導致房水外流阻力增加，眼壓逐漸升高。而在原發(fā)性閉角型青光眼中，眼球局部解剖結構異常，如前房淺、房角狹窄等，使得房角容易關閉，房水排出受阻，眼壓急劇升高。眼球局部解剖結構異常在原發(fā)性閉角型青光眼的發(fā)病中起著關鍵作用。隨著年齡的增長，晶狀體逐漸增厚，向前移位，導致前房變淺，房角狹窄。當某些因素（如情緒激動、長時間暗室環(huán)境等）誘發(fā)瞳孔散大時，周邊虹膜堆積在房角，使房角進一步狹窄甚至關閉，房水排出受阻，眼壓急劇升高。此外，晶狀體的形態(tài)和位置異常、虹膜的厚度和彈性等因素也可能影響房角的開放和關閉，從而增加原發(fā)性閉角型青光眼的發(fā)病風險。血液循環(huán)異常也是原發(fā)性青光眼發(fā)病的重要因素之一。研究表明，青光眼患者存在眼部血液循環(huán)障礙，表現為眼動脈、視網膜中央動脈和睫狀后短動脈等血管的血流速度減慢，血管阻力增加。這種血液循環(huán)異常會導致視神經乳頭和視網膜的血液供應不足，引起缺血、缺氧，進而損傷視神經。同時，血液循環(huán)異常還可能導致血管內皮細胞功能紊亂，釋放一些血管活性物質，進一步加重眼部血管的痙攣和狹窄，形成惡性循環(huán)，加速青光眼的發(fā)展。遺傳因素在原發(fā)性青光眼的發(fā)病中也占有重要地位。研究發(fā)現，原發(fā)性青光眼具有一定的家族聚集性，部分患者存在遺傳基因突變。目前已經發(fā)現了多個與原發(fā)性青光眼相關的致病基因，如MYOC、OPTN、WDR36等。這些基因突變可能影響小梁網細胞的功能、視神經的結構和代謝等，從而導致原發(fā)性青光眼的發(fā)生。然而，遺傳因素在原發(fā)性青光眼發(fā)病中的具體作用機制仍有待進一步研究。神經遞質失衡也可能參與了原發(fā)性青光眼的發(fā)病過程。視神經是由神經纖維組成的，神經遞質在神經纖維的傳導和信號傳遞中起著重要作用。研究表明，青光眼患者的眼內神經遞質水平發(fā)生了改變，如谷氨酸、γ-氨基丁酸等神經遞質的含量異常。谷氨酸是一種興奮性神經遞質，其在眼內的過度釋放可能導致神經細胞的興奮性毒性損傷，而γ-氨基丁酸是一種抑制性神經遞質，其含量降低可能減弱對神經細胞的抑制作用，導致神經細胞的異常興奮和損傷。這些神經遞質失衡可能對視神經的功能產生不良影響，促進原發(fā)性青光眼的發(fā)展。免疫炎癥反應在原發(fā)性青光眼的發(fā)病中也逐漸受到關注。近年來的研究發(fā)現，青光眼患者的眼內存在免疫炎癥反應，表現為炎癥細胞浸潤、細胞因子和趨化因子的表達增加等。這些免疫炎癥反應可能導致視神經乳頭和視網膜的組織損傷，促進青光眼的發(fā)展。此外，免疫炎癥反應還可能與遺傳因素、環(huán)境因素等相互作用，共同影響原發(fā)性青光眼的發(fā)病。2.3流行現狀原發(fā)性青光眼在全球范圍內廣泛流行，是導致視力喪失的主要原因之一，其患病率隨著年齡的增長而顯著增加，對中老年人的視力健康構成了嚴重威脅。根據世界衛(wèi)生組織的相關數據統(tǒng)計，全球原發(fā)性青光眼患者數量呈現出逐年上升的趨勢，2020年全球原發(fā)性青光眼患病人數超過7600萬，預計到2040年，這一數字將增長至1.118億。在不同地區(qū)和種族中，原發(fā)性青光眼的患病率存在一定差異。在亞洲地區(qū)，原發(fā)性閉角型青光眼較為常見，而在歐美地區(qū)，原發(fā)性開角型青光眼的患病率相對較高。在中國，原發(fā)性青光眼同樣是一個不容忽視的公共衛(wèi)生問題。據相關研究表明，我國40歲以上人群原發(fā)性青光眼的患病率約為2.3%-3.05%。按此患病率估算，我國40歲以上原發(fā)性青光眼患者人數超過2100萬，其中致盲人數約為567萬。隨著人口老齡化的加劇，原發(fā)性青光眼的患病率預計還將進一步上升。此外，我國原發(fā)性青光眼患者中，原發(fā)性閉角型青光眼的比例相對較高，約占70%-80%，這與我國人群的眼球解剖結構特點有關。近年來，隨著醫(yī)療衛(wèi)生條件的改善和人們健康意識的提高，原發(fā)性青光眼的診斷率有所上升，但仍有大量患者未被及時發(fā)現和診斷。部分患者由于早期癥狀不明顯，未引起足夠重視，導致病情延誤，就診時往往已經發(fā)展到中晚期，錯過了最佳治療時機。三、研究設計與方法3.1數據來源本研究的數據收集自[醫(yī)院名稱]眼科門診及住院部，收集時間為[開始時間]至[結束時間]。在此期間，共納入原發(fā)性青光眼患者[X]例，其中原發(fā)性閉角型青光眼患者[X1]例，原發(fā)性開角型青光眼患者[X2]例；同時選取年齡、性別匹配的正常對照人群[X]例。病例納入標準如下：原發(fā)性閉角型青光眼患者符合《我國原發(fā)性青光眼診斷和治療專家共識》中原發(fā)性閉角型青光眼的診斷標準，即具備典型的眼部解剖結構特征，如前房淺、房角狹窄等，同時眼壓升高，伴有不同程度的眼部癥狀和視野缺損。原發(fā)性開角型青光眼患者符合上述共識中原發(fā)性開角型青光眼的診斷標準，表現為眼壓升高，前房角開放，存在特征性的視盤改變和視野缺損。年齡在18歲及以上?；颊吆炇鹬橥鈺?，自愿參與本研究。病例排除標準包括：繼發(fā)性青光眼患者，即由其他眼部疾?。ㄈ缙咸涯ぱ住⒀弁鈧?、眼部腫瘤等）或全身性疾病（如糖尿病、高血壓等引起的青光眼）。合并有其他嚴重眼部疾病，如角膜病變、視網膜病變、黃斑病變等，可能影響青光眼診斷和相關指標測量的患者?；加袊乐氐娜硇约膊?，如心腦血管疾病、肝腎功能不全、惡性腫瘤等，無法配合完成相關檢查和研究的患者。妊娠期或哺乳期婦女。精神疾病患者，無法準確提供病史和配合檢查的患者。正常對照人群的納入標準為：眼壓在正常范圍內（10-21mmHg），前房角開放，無青光眼家族史，無眼部疾病和其他全身性疾病，年齡和性別與病例組匹配。正常對照人群均進行了全面的眼部檢查，包括視力、眼壓、前房深度、房角鏡檢查、眼底檢查等，以確保排除潛在的眼部疾病。通過嚴格的病例和對照選擇標準，保證了研究數據的準確性和可靠性，為后續(xù)的分析和模型建立奠定了堅實的基礎。3.2變量收集本研究收集的變量涵蓋個人一般情況和臨床相關資料兩方面，全面且細致，為后續(xù)的分析和模型建立提供了豐富的數據基礎。個人一般情況：收集患者的年齡，精確記錄到具體數值，以分析年齡與原發(fā)性青光眼發(fā)病的關聯，因為隨著年齡增長，眼部組織的生理變化可能增加患病風險。記錄性別，男性和女性在眼部解剖結構和生理功能上可能存在差異，進而影響原發(fā)性青光眼的發(fā)病幾率。調查是否有青光眼家族史，遺傳因素在原發(fā)性青光眼的發(fā)病中起著重要作用，家族中有青光眼患者的個體，攜帶相關致病基因的可能性更高。了解是否有高血壓史，高血壓可能導致眼部血管病變，影響眼部血液循環(huán)，進而對視神經造成損害，增加原發(fā)性青光眼的發(fā)病風險。詢問是否有糖尿病史，糖尿病可引起眼部微血管病變，導致視網膜缺血、缺氧，還可能使視神經纖維對眼壓的耐受性降低，與原發(fā)性青光眼的發(fā)生密切相關。同時，收集是否有其他全身病史，如心血管疾病、自身免疫性疾病等，這些全身性疾病可能通過影響機體的代謝、免疫等功能，間接影響原發(fā)性青光眼的發(fā)病。臨床相關資料：測量矯正視力，以評估患者的視覺功能受損程度，視力下降是原發(fā)性青光眼的常見癥狀之一。記錄屈光情況，包括近視、遠視、散光等，屈光不正可能改變眼球的形態(tài)和結構，影響房水的循環(huán)和排出，從而與原發(fā)性青光眼的發(fā)病相關。使用眼壓計測量眼內壓，眼壓升高是原發(fā)性青光眼的主要危險因素之一，準確測量眼壓對于診斷和病情評估至關重要。采用超聲生物顯微鏡（UBM）或光學相干斷層掃描（OCT）測量前房深度，前房深度是判斷原發(fā)性閉角型青光眼發(fā)病風險的重要指標，前房淺、房角狹窄是原發(fā)性閉角型青光眼的典型解剖特征。通過眼底檢查獲取杯盤比，杯盤比增大是青光眼性視神經損害的重要表現，可反映視神經受損的程度。利用超聲角膜測厚儀測量中央角膜厚度，中央角膜厚度會影響眼壓測量值的準確性，同時也可能與原發(fā)性青光眼的發(fā)病機制有關。測量角膜曲率，角膜曲率的改變可能影響眼球的屈光狀態(tài)和房水的流動，進而與原發(fā)性青光眼的發(fā)病相關。使用A超或IOLMaster測量眼軸長度，眼軸長度與眼球的發(fā)育和形態(tài)有關，在原發(fā)性開角型青光眼和部分原發(fā)性閉角型青光眼的發(fā)病中可能起到一定作用。測量晶狀體厚度和晶狀體位置，晶狀體的變化如增厚、前移等，可能導致前房變淺，房角狹窄，增加原發(fā)性閉角型青光眼的發(fā)病風險。計算相對晶狀體位置，即晶狀體厚度與眼軸長度的比值，該指標可以更準確地反映晶狀體在眼球中的相對位置，對評估原發(fā)性青光眼的發(fā)病風險有一定幫助。3.3統(tǒng)計分析方法使用SPSS26.0統(tǒng)計學軟件進行數據分析，以P<0.05為差異具有統(tǒng)計學意義。對于符合正態(tài)分布的計量資料，采用均數±標準差（x±s）表示，兩組間比較采用獨立樣本t檢驗，多組間比較采用方差分析；對于不符合正態(tài)分布的計量資料，采用中位數（四分位數間距）[M（P25，P75）]表示，兩組間比較采用Mann-WhitneyU檢驗，多組間比較采用Kruskal-WallisH檢驗。計數資料以例數或率表示，兩組間比較采用χ2檢驗，多組間比較采用行×列表χ2檢驗。將單因素分析中P<0.1的變量納入Logistic多因素回歸分析，采用向前逐步回歸法，以進入標準α=0.05，剔除標準α=0.10，篩選出原發(fā)性青光眼的獨立危險因素。構建Logistic回歸模型時，將原發(fā)性青光眼（是=1，否=0）作為因變量，將篩選出的獨立危險因素作為自變量。根據回歸系數β計算各危險因素的優(yōu)勢比（OddsRatio，OR）及其95%置信區(qū)間（ConfidenceInterval，CI），以評估各危險因素對原發(fā)性青光眼發(fā)生風險的影響程度。運用R語言中的rpart包進行分類回歸樹分析，以原發(fā)性青光眼（是=1，否=0）作為因變量，將單因素分析和Logistic多因素回歸分析篩選出的相關變量作為自變量。設置分類回歸樹的參數，如最小樣本量、復雜度參數等，通過交叉驗證選擇最優(yōu)的樹結構。分類回歸樹模型的節(jié)點根據自變量的取值進行劃分，每個節(jié)點代表一個特征，分支代表特征的取值，葉節(jié)點代表分類結果。通過構建分類回歸樹模型，直觀地展示各危險因素與原發(fā)性青光眼發(fā)生風險之間的關系。依據Logistic多因素回歸分析結果，使用R語言中的rms包建立列線圖模型。在列線圖中，將每個獨立危險因素按照其回歸系數賦予相應的分值，患者的總得分通過各危險因素分值相加得到。根據總得分，通過列線圖上的刻度可以預測患者發(fā)生原發(fā)性青光眼的概率。列線圖模型將復雜的統(tǒng)計模型轉化為直觀的圖形，便于臨床醫(yī)生快速評估患者的發(fā)病風險。采用受試者工作特征曲線（ROC）下面積（AUC）評估分類回歸樹模型和列線圖模型的準確性和區(qū)分度。AUC的取值范圍為0.5-1.0，AUC越接近1.0，說明模型的準確性和區(qū)分度越高；AUC=0.5時，說明模型的預測效果與隨機猜測無異。同時，計算模型的敏感度、特異度、陽性預測值、陰性預測值等指標，進一步評估模型的性能。使用一致性指數（C-index）評估模型的校準度，C-index的取值范圍為0.5-1.0，C-index越接近1.0，說明模型的校準度越好，預測結果與實際觀察值的一致性越高。采用Bootstrap自抽樣方法對模型進行內部驗證，重復抽樣1000次，計算每次抽樣得到的AUC和C-index，并計算其均值和95%CI，以評估模型的穩(wěn)定性和可靠性。運用決策曲線分析（DCA）評估模型的臨床實用性，通過比較不同閾值概率下模型的凈獲益，判斷模型在臨床應用中的價值。四、原發(fā)性青光眼的危險因素分析4.1單因素分析本研究對原發(fā)性閉角型青光眼（PACG）組、原發(fā)性開角型青光眼（POAG）組和正常對照組的各項因素進行了詳細的單因素分析，旨在初步篩選出可能與原發(fā)性青光眼發(fā)生相關的因素，為后續(xù)的多因素回歸分析提供依據。具體分析結果如下：個人一般情況：在年齡方面，PACG組患者的年齡均值為（[X1]±[X2]）歲，POAG組患者的年齡均值為（[X3]±[X4]）歲，正常對照組的年齡均值為（[X5]±[X6]）歲。經方差分析，PACG組與正常對照組、POAG組與正常對照組之間的年齡差異均具有統(tǒng)計學意義（P<0.05），表明年齡可能是原發(fā)性青光眼的一個重要危險因素，隨著年齡的增長，原發(fā)性青光眼的發(fā)病風險可能增加。性別分布上，PACG組中男性占[X7]%，女性占[X8]%；POAG組中男性占[X9]%，女性占[X10]%；正常對照組中男性占[X11]%，女性占[X12]%。通過χ2檢驗，發(fā)現PACG組與正常對照組、POAG組與正常對照組之間的性別差異無統(tǒng)計學意義（P>0.05），說明性別與原發(fā)性青光眼的發(fā)病可能無明顯關聯。在青光眼家族史方面，PACG組中有青光眼家族史的患者占[X13]%，POAG組中占[X14]%，正常對照組中占[X15]%。χ2檢驗結果顯示，PACG組與正常對照組、POAG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），提示青光眼家族史是原發(fā)性青光眼的一個重要危險因素，有家族史的人群發(fā)病風險顯著增加。高血壓史方面，PACG組中有高血壓史的患者占[X16]%，POAG組中占[X17]%，正常對照組中占[X18]%。經χ2檢驗，PACG組與正常對照組、POAG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），表明高血壓史與原發(fā)性青光眼的發(fā)病相關，高血壓可能通過影響眼部血液循環(huán)等機制，增加原發(fā)性青光眼的發(fā)病風險。糖尿病史方面，PACG組中有糖尿病史的患者占[X19]%，POAG組中占[X20]%，正常對照組中占[X21]%。χ2檢驗結果顯示，PACG組與正常對照組、POAG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），說明糖尿病史也是原發(fā)性青光眼的一個危險因素，糖尿病可能導致眼部微血管病變，進而影響青光眼的發(fā)生發(fā)展。對于其他全身病史，PACG組中有其他全身病史的患者占[X22]%，POAG組中占[X23]%，正常對照組中占[X24]%。χ2檢驗表明，PACG組與正常對照組、POAG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），提示其他全身病史可能與原發(fā)性青光眼的發(fā)病有關，但其具體作用機制尚需進一步研究。臨床相關資料：矯正視力方面，PACG組患者的矯正視力中位數為[X25]（四分位數間距為[X26]），POAG組患者的矯正視力中位數為[X27]（四分位數間距為[X28]），正常對照組的矯正視力中位數為[X29]（四分位數間距為[X30]）。經Kruskal-WallisH檢驗，PACG組與正常對照組、POAG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），表明矯正視力下降與原發(fā)性青光眼的發(fā)生密切相關，視力受損可能是原發(fā)性青光眼的一個重要表現。屈光情況上，PACG組中近視患者占[X31]%，遠視患者占[X32]%，散光患者占[X33]%；POAG組中近視患者占[X34]%，遠視患者占[X35]%，散光患者占[X36]%；正常對照組中近視患者占[X37]%，遠視患者占[X38]%，散光患者占[X39]%。通過行×列表χ2檢驗，發(fā)現PACG組與正常對照組、POAG組與正常對照組之間的屈光情況差異具有統(tǒng)計學意義（P<0.05），其中高度近視在POAG組中的比例顯著高于正常對照組，提示高度近視可能是POAG的一個重要危險因素。眼內壓方面，PACG組患者的眼內壓均值為（[X40]±[X41]）mmHg，POAG組患者的眼內壓均值為（[X42]±[X43]）mmHg，正常對照組的眼內壓均值為（[X44]±[X45]）mmHg。經方差分析，PACG組與正常對照組、POAG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），表明眼壓升高是原發(fā)性青光眼的主要危險因素之一，眼壓升高對視神經的機械性壓迫和缺血性損害是導致青光眼發(fā)生發(fā)展的重要機制。前房深度方面，PACG組患者的前房深度均值為（[X46]±[X47]）mm，POAG組患者的前房深度均值為（[X48]±[X49]）mm，正常對照組的前房深度均值為（[X50]±[X51]）mm。經方差分析，PACG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），而POAG組與正常對照組之間的差異無統(tǒng)計學意義（P>0.05），說明前房深度與PACG的發(fā)病密切相關，前房淺、房角狹窄是PACG的典型解剖特征，是導致房角關閉、眼壓升高的重要因素。杯盤比方面，PACG組患者的杯盤比均值為（[X52]±[X53]），POAG組患者的杯盤比均值為（[X54]±[X55]），正常對照組的杯盤比均值為（[X56]±[X57]）。經方差分析，PACG組與正常對照組、POAG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），表明杯盤比增大是原發(fā)性青光眼的重要體征之一，反映了青光眼性視神經損害的程度。中央角膜厚度方面，PACG組患者的中央角膜厚度均值為（[X58]±[X59]）μm，POAG組患者的中央角膜厚度均值為（[X60]±[X61]）μm，正常對照組的中央角膜厚度均值為（[X62]±[X63]）μm。經方差分析，PACG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），而POAG組與正常對照組之間的差異無統(tǒng)計學意義（P>0.05），提示中央角膜厚度可能與PACG的發(fā)病有關，其可能通過影響眼壓測量值等機制，參與PACG的發(fā)生發(fā)展。角膜曲率方面，PACG組患者的角膜曲率均值為（[X64]±[X65]）D，POAG組患者的角膜曲率均值為（[X66]±[X67]）D，正常對照組的角膜曲率均值為（[X68]±[X69]）D。經方差分析，PACG組與正常對照組、POAG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），表明角膜曲率可能與原發(fā)性青光眼的發(fā)病相關，但其具體作用機制尚不清楚。眼軸方面，PACG組患者的眼軸均值為（[X70]±[X71]）mm，POAG組患者的眼軸均值為（[X72]±[X73]）mm，正常對照組的眼軸均值為（[X74]±[X75]）mm。經方差分析，PACG組與正常對照組、POAG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），其中POAG組的眼軸長度明顯長于正常對照組，提示眼軸長度與原發(fā)性青光眼的發(fā)病密切相關，尤其是在POAG中，眼軸增長可能是一個重要的危險因素。晶狀體厚度方面，PACG組患者的晶狀體厚度均值為（[X76]±[X77]）mm，POAG組患者的晶狀體厚度均值為（[X78]±[X79]）mm，正常對照組的晶狀體厚度均值為（[X80]±[X81]）mm。經方差分析，PACG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），而POAG組與正常對照組之間的差異無統(tǒng)計學意義（P>0.05），說明晶狀體厚度可能與PACG的發(fā)病有關，晶狀體增厚可能導致前房變淺，增加PACG的發(fā)病風險。晶狀體位置方面，PACG組患者的晶狀體位置均值為（[X82]±[X83]）mm，POAG組患者的晶狀體位置均值為（[X84]±[X85]）mm，正常對照組的晶狀體位置均值為（[X86]±[X87]）mm。經方差分析，PACG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），而POAG組與正常對照組之間的差異無統(tǒng)計學意義（P>0.05），表明晶狀體位置可能與PACG的發(fā)病相關，晶狀體前移可能導致房角狹窄，進而引發(fā)PACG。相對晶狀體位置方面，PACG組患者的相對晶狀體位置均值為（[X88]±[X89]），POAG組患者的相對晶狀體位置均值為（[X90]±[X91]），正常對照組的相對晶狀體位置均值為（[X92]±[X93]）。經方差分析，PACG組與正常對照組之間的差異具有統(tǒng)計學意義（P<0.05），而POAG組與正常對照組之間的差異無統(tǒng)計學意義（P>0.05），提示相對晶狀體位置可能與PACG的發(fā)病有關，其可能作為評估PACG發(fā)病風險的一個指標。4.2Logistic多因素回歸分析在單因素分析的基礎上，本研究將單因素分析中P<0.1的變量納入Logistic多因素回歸分析，采用向前逐步回歸法，以進一步篩選出原發(fā)性閉角型青光眼（PACG）和原發(fā)性開角型青光眼（POAG）的獨立危險因素。對于PACG，經過Logistic多因素回歸分析，最終入組預測模型的變量有糖尿病、杯/盤比、眼軸、角膜曲率、中央角膜厚度。其中，糖尿?。∣R=[X1]，95%CI：[X2]-[X3]，P<0.05），表明患有糖尿病的人群發(fā)生PACG的風險是無糖尿病者的[X1]倍；杯/盤比（OR=[X4]，95%CI：[X5]-[X6]，P<0.05），杯/盤比越大，發(fā)生PACG的風險越高；眼軸（OR=[X7]，95%CI：[X8]-[X9]，P<0.05），眼軸長度與PACG的發(fā)生風險呈正相關；中央角膜厚度（OR=[X10]，95%CI：[X11]-[X12]，P<0.05），中央角膜厚度也是影響PACG發(fā)生的重要因素。而角膜曲率在多因素回歸分析中，P>0.05，不是預測PACG的獨立危險因素。整個Logistic多因素回歸模型的C-index為0.956，表明該模型具有較好的區(qū)分度和校準度。對于POAG，Logistic多因素回歸分析結果顯示，最終入組模型的變量有性別、高度近視、杯/盤比、眼軸。其中，高度近視（OR=[X13]，95%CI：[X14]-[X15]，P<0.05），高度近視患者發(fā)生POAG的風險顯著增加；杯/盤比（OR=[X16]，95%CI：[X17]-[X18]，P<0.05），同樣是POAG的重要危險因素；眼軸（OR=[X19]，95%CI：[X20]-[X21]，P<0.05），眼軸長度與POAG的發(fā)生密切相關。性別在多因素回歸分析中，P>0.05，不是預測POAG的獨立危險因素。整個Logistic多因素回歸模型的C-index為0.975，顯示出該模型在預測POAG發(fā)生風險方面具有較高的準確性和可靠性。綜上所述，糖尿病、杯/盤比、眼軸、中央角膜厚度是PACG的獨立危險因素；高度近視、杯/盤比、眼軸是POAG的獨立危險因素。這些獨立危險因素的確定，為后續(xù)預測模型的建立提供了關鍵變量，有助于更準確地評估原發(fā)性青光眼的發(fā)生風險。五、原發(fā)性閉角型青光眼（PACG）風險預測模型構建5.1CART模型的建立與評估利用R語言中的rpart包，對篩選出的與原發(fā)性閉角型青光眼（PACG）發(fā)生相關的變量進行分類回歸樹（CART）分析，構建預測PACG發(fā)生風險的CART模型。在分析過程中，將PACG（是=1，否=0）設定為因變量，把單因素分析和Logistic多因素回歸分析中篩選出的糖尿病、杯/盤比、眼軸、中央角膜厚度等變量作為自變量。設置分類回歸樹的參數，其中最小樣本量設為5，復雜度參數（cp）通過10倍交叉驗證進行選擇，以確定最優(yōu)的樹結構。10倍交叉驗證的具體操作如下：將數據集隨機劃分為10個大小相近的子集，每次選取其中9個子集作為訓練集，用于構建CART模型，剩余1個子集作為測試集，用于評估模型的性能。重復上述過程10次，每次都使用不同的子集作為測試集，最終將10次測試的結果進行平均，得到模型的評估指標。通過10倍交叉驗證，選擇使得模型在測試集上表現最佳的cp值，以避免模型出現過擬合或欠擬合的情況。構建完成的CART模型具有清晰的結構，通過不同節(jié)點和分支展示了各危險因素與PACG發(fā)生風險之間的關系。例如，模型的第一個節(jié)點可能依據眼軸長度進行劃分，若眼軸長度小于某個閾值，則進入一個分支，繼續(xù)依據其他變量如杯/盤比等進行進一步劃分；若眼軸長度大于該閾值，則進入另一個分支，按照不同的變量組合進行分析。每個葉節(jié)點代表最終的分類結果，即預測為PACG發(fā)生或不發(fā)生，并給出相應的發(fā)生概率。在本研究構建的CART模型中，4個節(jié)點上的PACG發(fā)生率分別為99.3%、92.9%、87.5%及8.8%。經過10倍交叉驗證后，模型得到的C-index為0.965，這表明該CART模型在預測PACG發(fā)生風險方面具有較好的準確性和區(qū)分度，能夠較為準確地區(qū)分PACG患者和正常人群。5.2列線圖模型的建立與評估依據原發(fā)性閉角型青光眼（PACG）的Logistic多因素回歸分析結果，使用R語言中的rms包建立列線圖模型。將糖尿病、杯/盤比、眼軸、中央角膜厚度這幾個獨立危險因素納入列線圖模型，根據各因素的回歸系數為其賦予相應的分值。具體而言，糖尿病作為一個重要的危險因素，其回歸系數反映了它對PACG發(fā)生風險的影響程度，據此為其分配一個特定的分值范圍；杯/盤比越大，發(fā)生PACG的風險越高，按照其回歸系數，在列線圖上對應一個分值區(qū)間，該分值會隨著杯/盤比的增大而增加；眼軸長度與PACG的發(fā)生風險呈正相關，根據其回歸系數，在列線圖中給予相應的分值設定，眼軸越長，分值越高；中央角膜厚度也依據其回歸系數在列線圖上確定對應的分值范圍?；颊叩目偟梅滞ㄟ^各危險因素分值相加得到。例如，一位患者患有糖尿病，其在列線圖上對應的糖尿病因素得分為[X1]分；杯/盤比測量值對應的分值為[X2]分；眼軸長度對應的分值是[X3]分；中央角膜厚度對應的分值為[X4]分，那么該患者的總得分就是[X1]+[X2]+[X3]+[X4]分。根據總得分，通過列線圖上預先設定的刻度和對應關系，可以直接讀取患者發(fā)生PACG的概率。采用Bootstrap自抽樣方法對列線圖模型進行內部驗證，以減少過度擬合偏倚。該方法的具體操作是從原始數據集中有放回地重復抽樣1000次，每次抽樣得到一個新的數據集，然后在每個新數據集上構建列線圖模型，并計算模型的C-index。經過1000次重復抽樣和計算后，得到1000個C-index值，進而計算這些C-index值的均值和95%置信區(qū)間。在本研究中，經過內部驗證后列線圖模型的C-index為0.953，這表明列線圖模型在預測PACG發(fā)生風險方面具有較好的校準度，預測結果與實際觀察值之間具有較高的一致性。5.3模型比較與分析為全面評估原發(fā)性閉角型青光眼（PACG）風險預測模型的性能，本研究采用受試者工作特征曲線（ROC）下面積（AUC）、一致性指數（C-index）和決策曲線分析（DCA）等方法，對分類回歸樹（CART）模型和列線圖模型進行了詳細的比較與分析，同時將前房深度指標作為對照，以明確各模型及指標在預測PACG發(fā)生風險方面的優(yōu)劣。首先，從AUC和C-index來看，CART模型經過10倍交叉驗證后得到的C-index為0.965，列線圖模型經過Bootstrap自抽樣內部驗證后的C-index為0.953。CART模型的AUC為[X1]，列線圖模型的AUC為[X2]。這兩個模型的AUC和C-index均較高，表明它們在預測PACG發(fā)生風險方面都具有較好的準確性和區(qū)分度，能夠有效地將PACG患者與正常人群區(qū)分開來。相比之下，前房深度指標的AUC為[X3]，明顯低于CART模型和列線圖模型，說明僅依靠前房深度來預測PACG發(fā)生風險的準確性相對較低。進一步通過DCA對模型的臨床實用性進行評估。DCA通過計算不同閾值概率下模型的凈獲益，來判斷模型在臨床應用中的價值。在不同的閾值概率范圍內，CART模型和列線圖模型的凈獲益表現各有優(yōu)勢。在低閾值概率區(qū)間（如0-0.2），CART模型的凈獲益相對較高，這意味著在該區(qū)間內，使用CART模型進行預測能夠為臨床決策帶來更大的價值，更有利于篩選出真正的高?；颊?，避免不必要的檢查和治療。而在高閾值概率區(qū)間（如0.6-1.0），列線圖模型的凈獲益更為突出，說明在該區(qū)間內，列線圖模型能夠更準確地識別出低風險患者，減少對低風險人群的過度干預。這表明在臨床應用中，可根據不同的臨床需求和閾值概率，選擇更合適的模型進行風險預測。綜合AUC、C-index和DCA的分析結果，CART模型和列線圖模型在預測PACG發(fā)生風險的準確性和臨床應用價值上均優(yōu)于前房深度指標。CART模型在某些情況下能夠更準確地識別高?；颊?，而列線圖模型則在識別低風險患者方面具有一定優(yōu)勢。因此，在實際臨床應用中，可根據具體情況聯合使用CART模型和列線圖模型，充分發(fā)揮它們的優(yōu)勢，提高預測的準確性和臨床應用價值。六、原發(fā)性開角型青光眼（POAG）風險預測模型構建6.1CART模型的建立與評估運用R語言中的rpart包，針對原發(fā)性開角型青光眼（POAG）開展分類回歸樹（CART）模型的構建工作。在構建過程中，以POAG（是=1，否=0）作為因變量，將經過單因素分析和Logistic多因素回歸分析篩選出的高度近視、杯/盤比、眼軸等變量作為自變量。設定分類回歸樹的相關參數，其中最小樣本量設定為5，復雜度參數（cp）則通過10倍交叉驗證進行細致選擇，以此確定最為合適的樹結構。10倍交叉驗證具體操作流程如下：將數據集隨機均分為10個規(guī)模相近的子集，每次從中選取9個子集當作訓練集，用于構建CART模型，剩余的1個子集作為測試集，用于評估模型的性能。重復上述步驟10次，每次都更換不同的子集作為測試集，最后將10次測試的結果進行平均，從而得到模型的評估指標。通過這種方式，能夠有效避免模型出現過擬合或欠擬合的問題，確保模型具有良好的泛化能力。構建完成的CART模型結構清晰，通過不同的節(jié)點和分支，直觀地展現了各危險因素與POAG發(fā)生風險之間的內在聯系。例如，模型的起始節(jié)點可能依據眼軸長度進行劃分，若眼軸長度超過某個特定閾值，則進入某一個分支，后續(xù)再依據杯/盤比等其他變量進行進一步細分；若眼軸長度未達到該閾值，則進入另一個分支，按照不同的變量組合展開分析。每個葉節(jié)點代表最終的分類結果，即預測為POAG發(fā)生或不發(fā)生，并給出相應的發(fā)生概率。在本研究構建的CART模型中，2個節(jié)點上的POAG發(fā)生率分別為98.9%和5.2%。經過10倍交叉驗證后，模型得到的C-index為0.973，這表明該CART模型在預測POAG發(fā)生風險方面具有出色的準確性和區(qū)分度，能夠較為精準地區(qū)分POAG患者和正常人群。6.2列線圖模型的建立與評估依據原發(fā)性開角型青光眼（POAG）的Logistic多因素回歸分析結果，運用R語言中的rms包著手建立列線圖模型。將高度近視、杯/盤比、眼軸這幾個經Logistic多因素回歸分析確定的獨立危險因素納入列線圖模型中，依據各因素的回歸系數為其賦予相應的分值。具體來說，高度近視作為一個重要的獨立危險因素，其回歸系數體現了它對POAG發(fā)生風險的影響程度，基于此為其分配一個特定的分值范圍；杯/盤比越大，發(fā)生POAG的風險越高，按照其回歸系數，在列線圖上對應一個分值區(qū)間，該分值會隨著杯/盤比的增大而增加；眼軸長度與POAG的發(fā)生風險密切相關，根據其回歸系數，在列線圖中給予相應的分值設定，眼軸越長，分值越高?；颊叩目偟梅滞ㄟ^各危險因素分值相加得到。比如，一位患者存在高度近視，在列線圖上對應的高度近視因素得分為[X1]分；杯/盤比測量值對應的分值為[X2]分；眼軸長度對應的分值是[X3]分，那么該患者的總得分就是[X1]+[X2]+[X3]分。依據總得分，通過列線圖上預先設定的刻度和對應關系，能夠直接讀取患者發(fā)生POAG的概率。采用Bootstrap自抽樣方法對列線圖模型進行內部驗證，以降低過度擬合偏倚。該方法的操作過程是從原始數據集中有放回地重復抽樣1000次，每次抽樣得到一個新的數據集，接著在每個新數據集上構建列線圖模型，并計算模型的C-index。經過1000次重復抽樣和計算后，得到1000個C-index值，進而計算這些C-index值的均值和95%置信區(qū)間。在本研究中，經過內部驗證后列線圖模型的C-index為0.970，這表明列線圖模型在預測POAG發(fā)生風險方面具有良好的校準度，預測結果與實際觀察值之間具有較高的一致性。6.3模型比較與分析為了全面評估原發(fā)性開角型青光眼（POAG）風險預測模型的性能，本研究采用一致性指數（C-index）和決策曲線分析（DCA）方法，對分類回歸樹（CART）模型和列線圖模型進行了詳細的比較與分析。從C-index來看，CART模型經過10倍交叉驗證后得到的C-index為0.973，列線圖模型經過Bootstrap自抽樣內部驗證后的C-index為0.970。這表明兩個模型在預測POAG發(fā)生風險方面都具有很高的準確性和區(qū)分度，能夠較為準確地區(qū)分POAG患者和正常人群，且二者的準確性相當。進一步通過DCA對模型的臨床實用性進行評估。DCA通過計算不同閾值概率下模型的凈獲益，來判斷模型在臨床應用中的價值。在不同的閾值概率范圍內，列線圖模型和CART模型的凈獲益表現有所不同。當閾值概率在0.1-0.6的區(qū)間時，列線圖模型的凈獲益始終高于CART模型。這意味著在該閾值概率區(qū)間內，使用列線圖模型進行預測能夠為臨床決策帶來更大的價值。例如，在該區(qū)間內，列線圖模型能夠更準確地識別出真正的高?；颊撸瑥亩贯t(yī)生可以更有針對性地進行進一步的檢查和治療，避免對低風險人群進行不必要的干預，節(jié)省醫(yī)療資源。而當閾值概率小于0.1或大于0.6時，CART模型和列線圖模型的凈獲益差異較小。綜合C-index和DCA的分析結果，CART模型和列線圖模型在預測POAG發(fā)生風險的準確性上較為相似，但在臨床應用價值上，列線圖模型在0.1-0.6的閾值概率區(qū)間內具有明顯優(yōu)勢。因此，在實際臨床應用中，可根據不同的閾值概率和臨床需求，選擇更合適的模型進行風險預測。若臨床重點關注的是0.1-0.6閾值概率區(qū)間內的風險預測，列線圖模型將是更好的選擇；若對閾值概率的要求不高，且更注重模型的穩(wěn)定性和簡潔性，CART模型也可作為有效的預測工具。七、討論7.1模型的準確性和可靠性本研究成功構建了預測原發(fā)性青光眼發(fā)生風險的分類回歸樹（CART）及列線圖模型，通過一系列嚴謹的評估方法，對模型的準確性和可靠性進行了深入分析。從原發(fā)性閉角型青光眼（PACG）風險預測模型來看，CART模型在經過10倍交叉驗證后，得到的C-index為0.965，列線圖模型經過Bootstrap自抽樣內部驗證后的C-index為0.953。這兩個模型的C-index均較高，表明它們在預測PACG發(fā)生風險方面具有較好的準確性和區(qū)分度，能夠較為準確地區(qū)分PACG患者和正常人群。AUC分析結果也進一步支持了這一結論，CART模型和列線圖模型的AUC均處于較高水平，說明它們在預測PACG發(fā)生風險時，能夠有效地將患病與未患病的情況區(qū)分開來。在實際應用中，C-index和AUC較高的模型能夠為臨床醫(yī)生提供更可靠的風險預測信息，有助于早期發(fā)現PACG患者，及時采取干預措施，從而延緩疾病的進展。例如，在臨床篩查中，醫(yī)生可以根據模型的預測結果，對高風險人群進行更密切的觀察和進一步的檢查，以便早期診斷和治療PACG。對于原發(fā)性開角型青光眼（POAG）風險預測模型，CART模型經過10倍交叉驗證后的C-index為0.973，列線圖模型經過Bootstrap自抽樣內部驗證后的C-index為0.970。這兩個模型的C-index同樣都非常高，說明它們在預測POAG發(fā)生風險方面具有出色的準確性和區(qū)分度，能夠準確地識別出POAG患者和正常人群。這意味著在臨床實踐中，醫(yī)生可以依靠這些模型對患者進行風險評估，從而制定個性化的治療方案。比如，對于預測為高風險的患者，可以提前采取更積極的治療措施，如藥物治療、激光治療或手術治療等，以降低眼壓，保護視神經，防止病情惡化。在驗證模型的可靠性方面，本研究采用了10倍交叉驗證和Bootstrap自抽樣方法對CART模型和列線圖模型分別進行內部驗證。10倍交叉驗證將數據集隨機劃分為10個大小相近的子集，每次選取其中9個子集作為訓練集，剩余1個子集作為測試集，重復10次，通過多次驗證來評估模型的穩(wěn)定性。Bootstrap自抽樣方法則是從原始數據集中有放回地重復抽樣，構建多個新的數據集，在每個新數據集上進行模型訓練和評估，以減少過度擬合偏倚。經過這些嚴格的內部驗證，兩個模型在不同的抽樣數據集中都表現出了較為穩(wěn)定的性能，進一步證明了模型的可靠性。這種可靠性使得模型在實際應用中更具說服力，能夠為臨床決策提供更堅實的依據。例如，在不同的臨床環(huán)境中，這些模型都能夠準確地預測原發(fā)性青光眼的發(fā)生風險，幫助醫(yī)生做出科學的診斷和治療決策。7.2模型的臨床應用價值本研究建立的預測原發(fā)性青光眼發(fā)生風險的分類回歸樹（CART）及列線圖模型，在青光眼的篩查、診斷和治療等方面具有重要的臨床應用價值。在青光眼篩查方面，模型能夠有效識別高危人群。通過對個體的相關危險因素進行綜合評估，如原發(fā)性閉角型青光眼（PACG）模型中的糖尿病、杯/盤比、眼軸、中央角膜厚度等因素，以及原發(fā)性開角型青光眼（POAG）模型中的高度近視、杯/盤比、眼軸等因素，醫(yī)生可以快速判斷個體患原發(fā)性青光眼的風險高低。對于風險較高的人群，可以進一步進行詳細的眼科檢查，如眼壓測量、視野檢查、眼底檢查等，從而實現早期發(fā)現、早期診斷，提高青光眼的篩查效率和準確性。這有助于在人群中開展大規(guī)模的青光眼篩查工作，尤其是針對那些無癥狀的高危個體，能夠及時發(fā)現潛在的青光眼患者，為早期干預提供機會，降低青光眼的發(fā)病率和致盲率。例如，在社區(qū)健康體檢中，應用這些模型對參與者進行風險評估，可以篩選出需要進一步檢查的個體，避免青光眼的漏診和誤診。在診斷方面，模型為醫(yī)生提供了更客觀、準確的診斷依據。傳統(tǒng)的青光眼診斷主要依賴于醫(yī)生的臨床經驗和單一的檢查指標，存在一定的主觀性和局限性。而本研究的模型綜合考慮了多個危險因素，通過量化分析來預測青光眼的發(fā)生風險，能夠輔助醫(yī)生做出更準確的診斷決策。當患者出現疑似青光眼的癥狀或體征時，醫(yī)生可以結合模型的預測結果，對患者的病情進行全面評估，提高診斷的可靠性。同時，模型還可以幫助醫(yī)生對不同類型的青光眼進行鑒別診斷。例如，對于一些癥狀不典型的患者，通過模型分析各危險因素的權重和相互關系，能夠更準確地判斷是PACG還是POAG，從而為后續(xù)的治療方案選擇提供依據。在治療方面，模型有助于制定個性化的治療方案。根據模型預測的風險程度，醫(yī)生可以為患者制定針對性的治療策略。對于高風險的患者，可以采取更積極的治療措施，如早期進行藥物治療、激光治療或手術治療，以降低眼壓，保護視神經，延緩疾病的進展。而對于低風險的患者，可以適當減少不必要的治療，避免過度醫(yī)療，同時加強定期隨訪，密切觀察病情變化。此外，模型還可以用于評估治療效果和預測疾病的預后。在治療過程中，通過對比治療前后模型預測的風險變化，醫(yī)生可以判斷治療措施是否有效，及時調整治療方案。例如，如果患者在接受藥物治療后，模型預測的風險降低，說明治療有效；反之，則需要考慮更換治療方法或加強治療強度。同時，模型還可以幫助醫(yī)生預測患者在未來一段時間內疾病進展的可能性，為患者提供更準確的預后信息，指導患者進行自我管理和生活方式調整。7.3研究的局限性與展望本研究在構建預測原發(fā)性青光眼發(fā)生風險的分類回歸樹及列線圖模型方面取得了一定成果，但仍存在一些局限性。在樣本方面，本研究的數據主要來源于[醫(yī)院名稱]，樣本具有一定的地域局限性，可能無法完全代表所有原發(fā)性青光眼患者的特征。后續(xù)研究可以擴大樣本來源，涵蓋不同地區(qū)、不同種族的患者，以提高模型的普適性。此外，本研究的樣本量相對有限，對于一些罕見的危險因素或復雜的病例，可能無法充分體現其對原發(fā)性青光眼發(fā)生風險的影響。未來研究可以進一步增加樣本量，以提高模型的準確性和穩(wěn)定性