BMJ：超详细的临床预测模型13步构建标准流程，手把手教你构建高质量临床预测模型！

大家需要审慎评估是开发全新模型还是更新现有的模型，如果文献中已经存在偏倚风险较低且高度契合当前研究问题的模型，对其开展外部验证往往比重新开发更有临床意义。

候选因子的筛选必须建立在文献回顾与专家共识之上：

重点优先纳入与结局具有已知或潜在因果关联的预测因子，能显著提升模型的泛化能力。
与结局变量的处理原则一致，不要对连续的预测因子进行分类或二分法处理，否则会大幅降低统计效能。
同时必须结合临床实际，果断剔除那些在常规诊疗中无法便捷测量或获取成本过高的变量。

在正式建模前，必须对预测因子和结局变量的测量误差进行排查：

如果数据集中的系统误差与真实临床情况不符，最终产出的模型就会出现校准度不佳的问题。
应剔除数据分布变异度极小的预测因子，因为它们对提高预测性能没什么贡献。

样本量是决定模型成败的关键：

数据量太小而纳入过多预测因子会导致过拟合，也就是模型在训练集里表现极好，但在新数据中预测极不准确。

面对真实世界数据中不可避免的缺失值，仅保留数据完整的病例进行分析不可行，会大幅缩减可用样本量。

正确做法：采用多重插补或单次插补技术来利用所有可用信息，并且务必确保插补模型与最终的预测模型包含相同的变量。

结局指标类型决定了基础统计模型：

连续结局采用线性回归；
二元结局适用逻辑回归；
生存结局首选Cox模型；
如果存在多种可能的结局且患者只能经历其中一种，必须用竞争风险模型。

特别强调一点：严禁使用单变量筛选法或逐步回归法来挑选预测因子，会导致估计偏倚并丢失有价值的信息；推荐引入LASSO回归或岭回归等惩罚机制来控制模型复杂度，有效防止过拟合。

评估预测模型必须同时关注区分度和校准度这两个核心维度：

区分度：评估的是模型区分高风险与低风险患者的能力，对于二元结局通常通过ROC曲线下面积AUC来量化衡量；
校准度：反映的是预测风险与真实事件发生率之间的一致性，推荐绘制平滑校准曲线来局部评估模型，是否存在高估或低估结局风险的情况。

使用开发模型的数据直接评估性能会产生偏倚，因此必须进行严格的内部验证来获取真实的性能指标。

摒弃简单的数据随机拆分法，这种方法会浪费数据并降低统计检验效能。
推荐采用K折交叉验证或自举法Bootstrap，其中自举法通常能产出更稳定且偏倚更小的验证结果。

模型预测得准不代表它能直接改善临床决策，我们需要用决策曲线分析，量化评估模型的临床实用价值。

通过在不同风险阈值下权衡预期收益与潜在危害，只有当使用模型指导决策所带来的净收益，高于所有人都干预或所有人都不干预的简单策略时，模型才真正具备应用的意义。

虽然预测建模的初衷是优化整体性能而非评估单个因子，但为了探寻可能的临床预防线索或评估新生物标志物的价值，咱们可以额外评估特定预测因子的影响。

不过必须清楚：数据中观察到的关联并不能直接等同于因果关系。

在研究的收尾阶段，必须严格遵循TRIPOD声明的规范要求进行撰写：

在文章中公开完整的模型数学方程与软件代码，以保证研究的可重复性。
最后，必须要考虑到最终用户的实际使用需求，将复杂的模型转化为直观便捷的在线计算器或临床评分系统，确保模型能够真正走入临床指导实践。