在醫(yī)學(xué)研究中，連續(xù)變量（如年齡、血壓、生物標志物濃度等）無處不在。然而，許多研究者在處理這些變量時，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，但往往會導(dǎo)致信息丟失、統(tǒng)計功效下降，甚至得出錯誤的結(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：分類處理會丟失大量信息，尤其是二分化處理，會導(dǎo)致最大的信息損失。例如，將年齡分為兩組，會忽略組內(nèi)個體之間的差異。

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

• 人為斷點：分類處理假設(shè)在某個特定點（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，本研究使用了一個公開的腦脊液葡萄糖（CSF glucose）與細菌性腦膜炎的案例研究。研究目標是通過腦脊液葡萄糖水平預(yù)測細菌性腦膜炎的發(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、性別和腦脊液白細胞計數(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導(dǎo)致腦膜炎風(fēng)險的恒定變化。這種模型簡單易解釋，但忽略了真實關(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)險差異是恒定的。這種模型雖然簡單，但忽略了組內(nèi)個體之間的差異，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)險之間的關(guān)系是非線性的。這種模型能夠更準確地捕捉真實關(guān)系，但需要更多的計算資源和更復(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。

• 風(fēng)險預(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均會增加腦膜炎的風(fēng)險，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)險之間的非線性關(guān) 系。

總結(jié)

在處理連續(xù)變量時，簡單分類和假設(shè)線性關(guān)系的方法雖然簡單，但往往會導(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確地捕捉變量之間的復(fù)雜關(guān)系，提高研究的準確性和可靠性。在實際研究中，建議根據(jù)研究目標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：BMJ. 2025 Jul 16;390:e082440. doi: 10.1136/bmj-2024-082440.

醫(yī)咖會9周年

驚喜第一彈來啦！

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

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

點擊“閱讀原文”/應(yīng)用商店搜索/掃碼下載醫(yī)咖會APP，登錄后，彈窗領(lǐng)取基礎(chǔ)會員！