使用说明

1. 小样本逻辑回归

本工具专为小样本量（n < 200）设计，采用交叉验证评估模型泛化能力，避免过拟合。

2. EPV (Events Per Variable)

EPV = 阳性事件数 / 自变量数。EPV >= 10 时模型较稳定，EPV < 10 时需谨慎解读结果。

3. 交叉验证方法

• K 折交叉验证： 将数据分为 K 份，轮流用 K-1 份训练、1 份验证。推荐 n >= 100 时使用 5/10 折。
• 留一法 (LOOCV)： 每次留 1 个样本做验证，其余全部训练。适合 n < 100 的小样本。

4. 评估指标

• AUC： 主指标，衡量判别能力。报告均值 + 95% CI
• Accuracy： 整体分类准确率
• Sensitivity： 灵敏度（召回率），TP/(TP+FN)
• Specificity： 特异度，TN/(TN+FP)
• F1 Score： 精确度与灵敏度的调和均值
• Brier Score： 预测概率与实际结果的均方误差，越小越好

⚠️ 注意：AUC 与 ROC 曲线是阈值无关（threshold‑independent）指标，调整分类阈值不会改变 AUC 值。阈值仅影响 Accuracy / Sensitivity / Specificity / F1。

5. 校准图

采用 rms 包 bootstrap 校准（B=200），生成标准校准三线图：Apparent（虚线）+ Ideal（45°参考线）+ Bias-corrected（实线）。评估模型预测概率与实际观测概率的一致性。

6. 最终模型

CV 验证完成后，用全部数据重新拟合一次逻辑回归，输出系数表（OR、95% CI、p 值）。

7. Nomogram

列线图将回归模型可视化，用于临床风险评估。

8. 参考文献

• Harrell FE Jr, Lee KL, Mark DB. Multivariable prognostic models: issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors. Statistics in Medicine , 1996;15(4):361-387. — 校准曲线评估的奠基文献。
• Steyerberg EW. Clinical Prediction Models: A Practical Approach to Development, Validation, and Updating. Springer, 2009. — 第 15 章详细讨论预测模型校准曲线的绘制与解读。

---

如有问题或建议，请联系管理员。