缘起
LASSO是由1996年Robert Tibshirani首次提出，全称Least absolute shrinkage and selection operator，是一种采用了L1正则化(L1-regularization)的线性回归方法，本号前期发过多篇专题：
临床，近年已经进入爆发模式。Lasso回归也频频见于文中，松哥本期给大家总结整理LASSO在临床中的常见几种用法
预测模型
用法一：
这也是最常见的用法，采用LASSO进行回归，根据10重交叉验证，筛选得到最优的模型，也就是拿到筛选得到的预测因子。
然后用筛选得到的因子，继续做后续的多因素Logsitic回归或者多因素COX回归，得到最终的临床预测模型，用于后续的区分度、校准度、临床实用度以及Nomogram的制作。
Nomogram-Based Prediction of the Risk of Diabetic Retinopathy:
A Retrospective Study
如上述这篇文章，采用LASSO回归，对19个预测因子进行筛选，最终选得7个预测因子。然后对7个预测因子构建多因素Logistic回归模型。
然后作者就基于这7个因素，构建了Nomogram，并进行了后续3个度的评价。
用法二：
当我们研究的因素较多
几种常见的预测模型
，可以先进行单因素Logistic或COX回归，先筛选一批可能的预测因子；
然后再采用LASSO回归进行筛选，将筛选得到的预测因子，再次进行多因素Logistic或COX回归，确定最终模型。如下这篇文章所述：
文章：Nomogram for predicting overall survival in stage II-III colorectal cancer
作者单变量分析发现59个因素，基于专业有加上5个P>0.05的因素（大家可以学习这种表达，有的时候我们建模，发现某个专业上有意义的变量，却没有进入多因素分析阶段，可以通过这样的表述把加进去），共64个因素。
然后对这个64因素
几种常见的预测模型
，进行LASSO筛选，发现了6个系数不为零，也就是有意义的预测因子。
作者对这6个预测因子，做了多因素COX回归，最终发现4个因子。
最终构建的最优模型如下，共4个因子。
然后构建了4个因子的Nomo图，以及后续的3个度的验证，就不说了！
用法三：
这种用法相对少见，就是直接用LASSOLOGIT或者LASSOCOX进行变量筛选，筛选后，用最小误差解，构建模型，无需在对LASSO筛选得到的多个因子，在进行多因素的Logistic或COX进行分析。
精鼎原创，欢迎转发，未经允许，谢绝转载！
