加强遗传风险预测研究(Genetic Risk Prediction Studies, GRIPS)报告质量声明——解读(下)

发布于 2023年8月1日 星期二 12:58:48 浏览:272
原创不易,转载请注明来源,感谢!

在前面文章中介绍了加强遗传风险预测研究(Genetic Risk Prediction Studies, GRIPS)报告质量声明的背景、条目清单和使用注意事项,解读了GRIPS【条目1~13】。本文将解读【条目14~25】内容。

关键词:加强观察性流行病学研究报告质量; 观察性研究; 遗传风险预测研究; 报告规范; 加强遗传风险预测研究报告质量声明; GRIPS

四、结果

(一) 研究对象

【条目14】报告各阶段研究对象数量。解释每个阶段排除对象的原因。报告未进行基因型检测的人数和原因

【解读】研究报告应清楚地说明有资格参加研究的参与者人数以及被纳入最终分析的人数。同时,作者应报告受试者未被纳入分析的主要原因,以便读者能够判断选出的样本是否具有代表性。对于任何非随机缺失数据,也应在报告中指出。在描述数据集时,可以采用流程图来辅助解释复杂的信息,同时也有助于后续研究的开展。流程图可清晰地显示研究的确切数字和结构。如果之前的研究中已经发表过流程图在,并且参与者的流程是相同的,那么可以在文章中引用先前发表的文献以节省篇幅。对于队列研究,应描述随访时间信息,例如随访时间的范围、中位数和四分位数间距。通常,由于预算问题、DNA材料不可获得和基因分型质量问题等诸多原因,研究可能无法获得所有参与者的完整基因型信息。由于某些原因可能会影响研究的有效性,因此应报告未进行基因分型的参与者数量及其原因。

(二) 统计学描述

【条目15】人群特征报告研究人群的人口学和临床特征,包括用于构建风险模型的危险因素

【解读】作者在研究报告中应尽可能详细地描述研究人群,以便读者判断结果的普遍性。这种描述应包括相关的人口统计信息,如年龄、性别和种族,以及其他风险因素和相关病理的信息,如早期疾病特征和合并症情况。对于连续变量,最好用均值和标准差来描述其分布,当变量呈偏态分布时,应使用中位数和四分位数间距来描述。对于具有少量例数的分类变量,最好以百分比和例数的形式来表示。这些描述性信息最好分组展现。

【条目16】模型估计报告进入风险模型的变量与结局变量之间未经调整的关联。报告每个自变量在全模型中的调整估计值和精确度

【解读】为了了解哪些风险因素影响了风险预测的分布,作者应该报告每个因素的模型估计效应量,例如,回归系数、比值比或风险比,以及考虑所有风险因素的每个完整模型的置信区间。调整后的估计效应量应该展现在未调整的效应量并列展示,这样读者可以通过模型中包含其他风险因素来判断结果变化的程度。这对于结合遗传和非遗传风险因素的模型尤其重要,因为非遗传风险因素可能是生物学过程中的中间变量,许多非遗传风险因素具有复杂的相关模式。需要注意的是,一些研究提出仅针对非遗传风险因素进行调整,以计算调整后的遗传变异效应量。这与来自完整模型的遗传变异的效应大小不同,因为在完整模型中,系数也针对其他遗传变异进行了额外调整。当使用回归方法进行风险预测时,应报告完整模型的截距,以便将来对风险模型进行复制和验证。对于复杂模型,不可能详尽地说明参数估计,因此作者应提供风险预测算法的软件实现过程。

(三) 风险分布

【条目17】报告预测风险值和/或风险评分的分布

【解读】预测风险的分布告诉读者风险在人群中的传播、以及分布的频率和极端情况。最好的报告方式是分组展示预测风险值的分布,因为这能反映风险模型的判别准确性。组间分布越分散,AUC越高。文中应至少一次报告极端预测风险值的详细频率分布情况。例如,将最低类别被标记为10-11个风险等位基因,而不是0-11个风险等位基因,据此读者可以判断0-9个风险等位基因并不在其中。

(四) 评估

【条目18】报告模型拟合、预测能力及其他相关指标的评价方法

【解读】在结果部分中报告的所有模型性能评估都应在方法部分中描述(见条目12),以便明确评估哪种测量来回答哪个研究问题。如条目12所述,对遗传风险预测模型性能的评估,应至少包括模型拟合和预测能力的测量。对于感兴趣的测量,应在适当的情况下报告估计值的置信区间或其他相关的不确定性。

(五) 验证有效性

【条目19】报告风险模型真实性的验证方法

【解读】一般来说,需要提供的验证分析的参数与报告评估模型性能的参数相同(见条目12和18)。如果由于篇幅的原因,作者必须在提供拟合或验证数据的详细评估之间做出选择,应该选择更详细地报告验证分析结果。

(六) 其他分析

【条目20】陈述所有其他分析,如亚组分析、交互作用分析或探索性分析结果

【解读】在介绍亚组时,应该指明哪些是预先计划的,哪些是探索性分析。这种区别对于讨论尤其重要,因为探索性分析的结果可能导致需要更谨慎解释,以及在结果重现方面不一定理想。

五、讨论

(一) 局限性

【条目21】讨论局限性和研究假设,特别是关于研究设计、研究对象选择、测量和分析等方面及其对研究结果产生的影响

【解读】对研究结果的解释应根据所进行的所有分析综合考虑。当分析有相当大的灵活性时,例如考虑任意类别的预测风险或进行许多亚组分析时,解释结果时必须谨慎。大多数研究都会避免对局限性进行全面的讨论,而且作者担心这样可能会降低他们论文发表的吸引力。然而,事实并非如此,对研究局限性的讨论有助于向读者解释研究结果的有效性。对局限性的描述不仅应包括可能影响结果的潜在偏倚和混杂的来源,而且还应包括其影响的方向和程度。翔实的讨论有助于处理研究设计和分析中的问题,这些问题可能导致推翻论文中提出的最初解释。这些问题可以是直接影响结果的问题,也可以是导致对事物得出不同推论的问题,例如研究结果的卫生保健相关性。任何会影响结果有效性的潜在可能都应被讨论。

(二) 解释

【条目22】结合研究目标、局限性、多重比较、类似研究的结果和其他有关证据等方面给出对结果的概括和解释

【解读】应通过与其他研究进行比较来增加结果的可解释性。其他研究可以包括对相同结果的遗传预测研究,也可以是针对非遗传模型或组合模型的研究。在进行比较时,不仅应该考虑主要结果的差异,还应该讨论研究的设计和实施是否具有可比性。进行比较时,应特别注意风险模型中包含的遗传变异。因为它们的数量随着基因发现的快速发展而增加。理想情况下,对其他研究的讨论应该是系统的,如引用任何相关的系统综述和荟萃分析。

(三) 外推性

【条目23】讨论研究外推性,在可能的情况下描述研究结果与医疗卫生保健的相关性

【解读】外推性是指风险模型在其他人群中的外部有效性或适用性。对外推性的讨论应包括研究人群与(未来)测试目标人群的代表性比较,特别需要关注性别、年龄和重要危险因素等关键人口变量的差异。虽然目前大多数研究与保健或疾病预防没有直接关系,遗传风险预测研究有时被解释得过于乐观,期望过高的其中一个原因是临床或公共卫生相关性是从统计显著性得出的。然而,在大规模的基于人群的研究中,预测性能的轻微增加或重分类百分比的降低都可能使之具有统计学意义,而并非一定具有临床意义。在解释临床相关性时,作者应该考虑几个因素:(1)获得额外基因型信息所需的努力;(2)基因结果可能对医疗或公共卫生决策以及预期的健康益处产生的影响;(3)这些益处将在多大程度上超过与基因检测相关的潜在危害,并且是负担得起的。考虑需要哪些信息可能有助于防止过度乐观的解释,并描述在考虑实施卫生保健之前还需要哪些证据,例如,还需通过适合该研究的转化研究阶段。后者还包括思考所调查的人群是否较好地代表了目标人群,以及风险期(如5年风险)和结果是否与临床相关。

六、其他

(一) 补充信息

【条目24】阐明数据库中的分析数据、风险模型和/或研究方案是否已经或即将公开,如果已公开,则应描述使用和查询方法

随着基因组学研究的不断深入,遗传风险预测研究的数据和分析方案变得越来越复杂。到目前为止,大多数实证研究使用的是logistic或Cox比例风险回归分析,但也一些研究应用了支持向量机器学习、模糊逻辑、神经网络和分类树等其他方法。越来越多的学者认识到数据公开的必要性,这允许其他研究人员对过程和结果进行审查,并恰当使用这些数据进行进一步验证研究和荟萃分析。对于一些组学领域,数据公开和协议的可用性是在特定期刊上发表的先决条件。例如,在自然遗传学(http://www.nature.com/authors/editorial_policies/ available .html)上发表基因表达谱研究,要求公开相数据,使得其他研究人员可以进行复现或扩展研究。对于基因-表型关联的研究,一些倡议已经提出,以推进基因型-表型公共数据的可用性。这包括基因型和表型数据库(dbGAP)和遗传关联信息网络(GAIN)等资源的共享和开放。

(二) 资助

【条目25】指明资助来源以及资助者在研究中的作用。陈述是否存在利益冲突

研究者在发表研究成果时应明确说明所获得的所有资助来源,并说明资助机构在研究设计、实施和分析中各个阶段所起的作用。考虑到可用于大量患病和健康人群的预测诊断的潜在商业利益,很可能会对研究的所有阶段造成影响,包括研究设计、暴露选择、结果、统计方法以及结果的选择性解释和发表。因此无论是在医疗保健体系内部还是外部,任何资金或其他利益冲突都应透明。

注:本文内容是参考相关文献后对GRIPS报告质量原文的解读,仅代表本网站观点。关于加强GRIPS报告质量声明的更多信息详见EQUATOR协作网(https://www.equator-network.org/reporting-guidelines/strengthening-the-reporting-of-genetic-risk-prediction-studies-the-grips-statement/)进行查询,或阅读A Cecile J W Janssens等发表的文章“Strengthening the Reporting of Genetic Risk Prediction Studies: The GRIPS Statement (https://pubmed.ncbi.nlm.nih.gov/21423587/)”、A Cecile J W Janssens等发表的文章“Strengthening the reporting of genetic risk predictionstudies (GRIPS): explanation and elaboration (https://pubmed.ncbi.nlm.nih.gov/21407270/)”。

End
文章目录 沉浸式阅读