Outils de recherche › Nomogram

Nomogram Generator

Build a visual nomogram for a clinical prediction model from binary logistic regression. Paste data, choose the outcome and predictors, and the tool automatically fits the regression and generates the nomogram — turning the regression equation into an intuitive scoring chart of "look up points per factor → total points → predicted probability". The standard presentation for clinical prediction-model research.

① Coller les données (with header)

First row is column names, one case per row. The outcome variable must be 0/1. Predictors currently support continuous variables. You can paste a whole block from Excel.

Mode d'emploi et méthodologie

Qu'est-ce qu'un nomogramme ?

Un nomogramme est la façon la plus courante de visualiser un modèle de prédiction clinique, en transformant une équation de régression logistique ou de Cox en graphique : chaque prédicteur est une ligne graduée ; vous lisez les points de chaque variable à partir de la valeur du patient, les sommez en un total, et le mappez à la probabilité du critère. Il transforme un modèle complexe en outil de score utilisable au lit.

Comment lire un nomogramme ?

① Trouvez la ligne d'une variable et situez la valeur du patient ; ② lisez verticalement vers l'axe Points du haut pour le score de cette variable ; ③ sommez tous les scores pour obtenir Total Points ; ④ depuis Total Points, lisez verticalement vers l'axe de probabilité du bas pour la probabilité prédite.

Pourquoi les variables plus influentes ont-elles une échelle plus large ?

Le nomogramme alloue les points selon la contribution de chaque variable au critère (coefficient de régression × plage de valeurs). Le plus grand contributeur remplit toute l'échelle 0–100 ; les autres sont raccourcis proportionnellement. Une échelle plus large signifie donc une plus grande influence sur la prédiction, reflétant intuitivement l'importance.

Que faut-il encore après la modélisation ?

Le nomogramme ne fait que présenter le modèle. Une étude complète de modèle de prédiction évalue aussi la performance : discrimination (C-index ou AUC), calibration (courbe de calibration), et validation interne/externe (p. ex. bootstrap, validation croisée). Cela peut se faire avec l'outil ROC du site et des logiciels dédiés, et se rapporter ensemble.