临床医学与生存分析
列线图与校准曲线 (Nomogram)
把已经拟合好的 Logistic（或同类）预测式拆成一把可加的打分尺，再用校准曲线核对「报 30% 的人里是不是大约真有 30% 发生」。
这篇能回答什么
列线图要回答的不是「某个系数显著不显著」，而是：床旁能不能把回归式用手加出来，并且加出来的概率靠不靠谱。它先按各因子的回归系数与取值极差，把贡献最大的那一维标成 100 分，其余因子按同一比例换成 Points；把各轴上读到的分数相加，再对照总分—概率对照尺，得到个体预测值。校准曲线把预测概率分箱，对照箱内实际发生频率；贴着 45° 理想线，说明概率被「说成多少就是多少」。
教学绑定是 Logistic 预测金标准，因子为预测分数、年龄、标志物。这和Cox 比例风险回归输出的 HR = exp(β) 不是同一张表：Cox 讲的是瞬时风险倍数，列线图讲的是可加分数与概率校准。同一套系数可以同时出现在两页，但读法必须换尺——Points 不是 HR，100 分也不等于「风险乘 100」。
什么时候不该用
你还没有可拟合的二元结局或生存回归，只想看曲线有没有分开，应先做Kaplan-Meier或ROC。只报告优势比、不需要打分尺时，停在二元逻辑回归即可。连续暴露要画弯曲的剂量—反应，用限制性立方样条，不要把样条节点硬折成三根平行轴。两种化验的一致性用Bland-Altman，不是列线图。
如何选择方法
先问交付物是系数表、打分尺还是区分度。要 HR 与混杂调整，走 Cox；要把同一套 β 交给临床科室用尺子相加，走列线图；只要金标准 0/1 上的 AUC，走 ROC；要暴露轴上的弯曲轨迹，走 RCS。列线图是翻译层，不替代回归诊断。
列线图与校准曲线：≥2 个预测因子 + 1 个临床结局；输出因子打分表、Brier、带 45° 参考的校准图。
Cox 系数 / HR：同一批随访上报告风险倍数，不自动变成 Points。
二元逻辑回归：先得到 logit 系数，再视需要送进本页可视化。
ROC：问「分得开分不开」，不问「概率准不准」。
RCS：问连续暴露是否弯曲，不问床旁加法尺。
输入、输出与限制
输入
临床结局一列：二元金标准（教学为「金标准」）或定量风险。预测因子至少两列，定量或定类均可。教学绑定用预测分数、年龄、标志物三列，不要把方法A、方法B再塞进来冒充独立因子——它们往往与预测分数同源。
预测因子：最少 2 个，最多 30 个，定量或定类。
临床结局：最少 1 个，最多 1 个，二元定类或定量。
输出
因子打分表给出回归系数、取值范围、单单位 Points 与该因子满分。极差贡献最大的因子满分固定为 100。表注报告 Brier。图是预测概率对实际频率的校准散点，并画理想对角线。
产品限制
因子少于 2 列无法画多轴尺子。
Points 由系数×极差重标，不能回读成 HR 或 OR。
Brier 只量概率误差，不代替 AUC 或 C-Index。
定类因子按内部编码展开；对照水平必须写进方法学。
本页教学拟合是 Logistic 可视化，不要把表头抄成「Cox 列线图」除非你另做了生存模型。
案例
研究问题。 诊断页上已有连续「预测分数」，再并上年龄与标志物，能否做成一把床旁尺子：医生读三轴、相加、对照概率。同时要用校准图判断这把尺子报出的概率有没有系统性偏高或偏低。
临床 xlsx 的 diagnostic 页提供金标准、预测分数、年龄、标志物（另有方法A/方法B，本绑定不用）。列线图把预测分数标成满分 100：系数 1.6153，取值 −2.436 到 4.21，每单位 15.0466 分。年龄系数 −0.0046，30–79 岁整段只换来 2.0936 分；标志物 2.88–17.81 只换来 0.7228 分。加法几乎被预测分数单独决定。Brier = 0.1491。下载后按结局 = 金标准、因子 = 预测分数 + 年龄 + 标志物复现打分表。
在 StatsX 中操作
步骤 1 · 上传临床表
把临床 xlsx 放进工作台。本页读 diagnostic 工作表，不要误切到 survival 页——那边没有金标准列。
步骤 2 · 核对角画像
金标准须为两水平；预测分数、年龄、标志物为定量。阳性编码为 1。不要把「方法A」和预测分数同时当作互不相关的两轴。
步骤 3 · 点选列线图
目录里搜「列线图」或 Nomogram，进入角色墙。
步骤 4 · 挂上结局与至少两因子
临床结局 = 金标准；预测因子勾选预测分数、年龄、标志物（2–30 个）。运行。
步骤 5 · 先看谁拿了 100 分
核对满分轴是不是预测分数，再看年龄、标志物的满分是否小到可以在尺子上忽略，最后看校准点有没有离开对角线。
如何阅读输出
下表是同一绑定的因子打分。预测分数拿走满分 100，单单位 15.0466 分；年龄整段极差只值 2.0936 分；标志物整段只值 0.7228 分。回归系数列仍保留原始 β（1.6153、−0.0046、0.0052），方便你回头去对 Logistic，但论文结果节应报 Points 与 Brier，不要把 15.05 分写成 HR=15。
| 预测因子 (特征) | 回归系数 | 特征最小值 | 特征最大值 | 单单位得分 (Points) | 特征最大得分 |
|---|---|---|---|---|---|
| 预测分数 | 1.6153 | -2.436 | 4.21 | 15.0466 | 100 |
| 年龄 | -0.0046 | 30 | 79 | 0.0427 | 2.0936 |
| 标志物 | 0.0052 | 2.88 | 17.81 | 0.0484 | 0.7228 |
左右滑动可查看完整表格
列线图构建原理：以对风险贡献最大的特征为基准(设其极差得分为 100 分)，其余特征按系数比例转换为可视化得分(Points)。模型校准度 Brier Score = 0.1491 (值越接近 0 代表校准表现越好)。
【列线图Nomogram】目标=金标准，Logistic预测模型可视化。 【核心特征】预测分数 贡献最大（满分100分刻度）。 【校准度】Brier=0.1491，校准曲线越贴近理想对角线，预测越准确。
阅读顺序：谁是 100 分轴 → 其余轴会不会在临床上被忽略 → Brier（本例 0.1491，越近 0 越好）→ 校准点是否整体贴线。本图低概率段略有起伏、高概率段仍靠近对角线，与「中等 Brier、没有明显系统性吹高」相符。正确写法：以预测分数为主轴的 Logistic 尺子可以加出个体概率，年龄与标志物在尺上几乎不移动指针；不要把年龄系数 −0.0046 翻译成「年龄每岁保护 0.46%」，那是 Cox/Logistic 原文的话，不是 Points 的话。
理论与公式
设第 j 个因子系数为 β_j，取值跨度为 R_j = x_j^{max}−x_j^{min}。贡献用 |β_j| R_j 衡量。令 j* 为贡献最大者，其满分定为 100。其余因子的满分与单单位得分按同一比例缩放：
本例 |β|R：预测分数 1.6153×6.646≈10.74，年龄 0.0046×49≈0.225，标志物 0.0052×14.93≈0.078，故 j* 是预测分数，后两者满分约 2.09 与 0.72，与表一致。Cox 的 HR=exp(β) 不做这套 100 分重标；若有人拿 1.6153 去算 exp(1.6153)≈5.03，那是 OR/HR 口径，不是 Points。校准用 Brier：
Brier=0 为完美概率，0.25 相当于全报 0.5。0.1491 好于瞎猜，但单独不能证明外部队列也准。校准图是分箱后的 (p̄, ȳ)，不是 ROC。
注意事项
100 分轴是「极差×|系数|」最大者，不一定是你最想强调的临床变量。本例预测分数碾压年龄，尺子几乎是单轴。
负系数只改变轴的方向（年龄越大分越低），不会自动变成「保护因素」的文字结论。
把预测分数和由它派生的方法A一起当两轴，等于同一信息加两遍。
校准好不等于区分好：Brier 低而 AUC 也可以一般；反之亦然。
内部校准点贴线，不能代替外部验证队列。
生存列线图若改用 Cox 线性预测值，必须另拟合，不能把本页 Logistic 的 1.6153 直接写成 log-HR。
常见问题
参考文献
Harrell, F. E. Regression Modeling Strategies[M]. Springer.
Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. How to build and interpret a nomogram for cancer prognosis[J]. Journal of Clinical Oncology, 2008, 26(8): 1364–1370.
Steyerberg, E. W. Clinical Prediction Models[M]. Springer.
陈峰. 医用多元统计分析方法[M]. 中国统计出版社.