📌 Kết luận chính
- GLM (Logistic regression) là mô hình phù hợp cho outcome nhị phân — khắc phục các hạn chế của hồi quy tuyến tính.
- Hút thuốc là yếu tố dự đoán mạnh nhất (OR = 3.20), sau đó là ĐTĐ (OR = 2.20) và LDL (OR = 1.40). HDL là yếu tố bảo vệ (OR = 0.70).
- AUC = 0.78 cho thấy mô hình có khả năng phân biệt tốt giữa BN sống và tử vong.
- Hosmer-Lemeshow p = 0.35 → mô hình fit tốt, không có bằng chứng về lack-of-fit.
- Mô hình này giúp cá thể hóa điều trị — xác định BN nguy cơ cao để can thiệp mạnh mẽ hơn, và tránh điều trị quá mức cho BN nguy cơ thấp.
Mở rộng sang các loại GLM khác
| Loại GLM | Outcome | Link function | Ví dụ trong Tim mạch |
|---|---|---|---|
| Poisson | Biến đếm (số lần) | Log: ln(μ) | Số lần nhập viện vì suy tim trong 1 năm |
| Negative Binomial | Biến đếm (quá phân tán) | Log: ln(μ) | Số cơn đau thắt ngực trong tháng (phương sai > trung bình) |
| Gamma | Biến lệch dương | Inverse: 1/μ | Chi phí điều trị nội trú (skewed right) |
| Binomial (Logistic) | Nhị phân (0/1) | Logit: ln[p/(1−p)] | Nguy cơ tử vong, biến cố MACE |
📚 Academic Note — Poisson cho biến đếm
Trong nghiên cứu lâm sàng, biến đếm (số lần nhập viện, số biến cố) thường không chuẩn. Poisson regression giả định mean = variance (equidispersion). Khi variance > mean (overdispersion) — rất thường gặp trong thực tế — cần dùng Negative Binomial. Kiểm tra overdispersion bằng cách xem deviance/df > 1.5 hay không.
🩺 Thông điệp lâm sàng
Dự đoán nguy cơ cá nhân hóa → điều trị dự phòng đúng người. GLM không chỉ là công cụ thống kê — nó là cầu nối giữa dữ liệu và quyết định lâm sàng. Khi bạn gặp một bệnh nhân NMCT, đừng chỉ hỏi "anh ấy có nguy cơ cao không?" — hãy hỏi "xác suất tử vong của anh ấy là bao nhiêu?" và hành động dựa trên con số đó.
"Hồi quy tuyến tính cho outcome nhị phân? Đừng! Hãy dùng GLM — và nhớ: link function là chìa khóa."
