夜雨聆风临床科室里常见的场景是：病例已经积累多年，电脑里有一张或多张 Excel，医生也清楚“可能可以做模型”，但项目一启动，问题立刻出现——结局究竟如何判定？哪些指标在预测时点真正可得？同一变量在不同病区、不同年份是否使用了同一单位？分析做完后，怎样把结果组织成一篇经得起追溯的模型论文？
一句话结论 一篇可靠的模型论文，不是把 Excel 交给统计人员后“跑出一个 AUC”，而是从明确的临床问题出发，经过规范的 CRF、变量字典、研究数据库与 SAP，最后形成可复核的模型报告、图表体系和投稿材料。 |
最新的 TRIPOD+AI 报告规范已把回归模型与机器学习模型纳入同一报告框架：研究对象、预测因子、结局、样本量、缺失数据、模型开发、性能评价与验证都需要透明交代[1]。这提醒我们：模型项目的核心不是“软件名称”，而是前端设计和全过程交付是否完整。
一、先把 500 例病例变成一个可回答的问题
以一个脱敏化场景为例：某呼吸科拟利用约 500 例住院病例，预测患者出院后 90 天内是否发生不良结局。现有资料包括入院记录、检验、治疗经过和部分随访信息。此时最危险的做法，是先把所有列都扔进算法，再根据结果挑一个“最好看”的模型。
临床案例拆解（示意） 正确的第一步是先写清四件事：预测对象是谁（首次住院、特定诊断、成人还是全部患者）；预测时点是什么（入院 24 小时、出院时或某次治疗前）；结局是什么（90 天死亡、再入院，还是两者的复合结局）；决策节点是什么（是否需要强化随访、转诊或干预）。这些内容不明确，后续变量选择、数据提取和模型解释都会失去锚点。 |
已有病例数只是资源；能否进入建模，仍需经过变量、结局和分析可行性核查。
对这 500 例病例，科室应先完成两张清单。第一张是变量清单：每一个候选变量来自哪里、在何时采集、单位和编码是什么、缺失是否有临床含义。第二张是结局核查清单：每例患者是否有足够随访、事件定义是否一致、复合结局的组成是否可追溯。只有这两件事完成，研究团队才能判断样本中的事件数量、候选参数和数据质量是否支持模型开发。样本量不能只看“总例数”，还要结合结局事件数及拟纳入的预测参数综合评估[4]。
二、一张 Excel 之外，模型项目至少有 7 类核心交付物
从协作角度看，模型项目不是单一的数据分析任务，而是一组相互衔接、可交接的研究文件。它们的作用不是增加形式负担，而是让每个关键决定都有来源、有记录、能复核。
模型论文的可信度来自前端定义、数据、分析和成果表达四层的连续证据链。
其中，CRF解决“收什么”，变量字典解决“每一列到底是什么意思”，研究数据库解决“数据怎样被组织、连接和追溯”，而 SAP解决“在看结果前，关键分析规则怎样规定”。它们彼此不能替代。比如“肌酐”这一列，若不知道采集时间、检验单位、是否为入院前值、急诊值还是住院峰值，即使列名正确，也不一定能够作为可靠预测因子。
三、CRF、变量字典和数据库：把临床语言变成可分析的数据语言
1. CRF：把临床路径转为采集路径
CRF（病例报告表）不是一张“尽量多填信息”的表，而是围绕研究问题设计的信息采集工具。对于 90 天不良结局模型，CRF 至少要区分：入院前或预测时点前可获得的信息、预测时点后才发生的信息，以及仅用于结局判定的信息。后两类信息若被误放入预测因子，会造成时间泄漏：模型看似表现优异，实际却使用了临床决策当时不可能知道的资料。
2. 变量字典：让每一个变量有可执行的定义
变量字典应至少记录：变量名、中文含义、数据类型、单位、允许范围、编码规则、采集时间窗、来源表以及缺失编码。连续变量不能只留一个“数值列”；还要说明单位是否统一、极端值如何核对、是否需保留连续形式、是否因临床阈值而分段。分类变量也不能只写“0/1”，而应说明 0 和 1 分别对应什么。
3. 研究数据库：不等于把多张表纵向拼起来
真实世界数据常来自病历首页、检验系统、医嘱、影像报告和随访登记。研究数据库的关键是建立正确层级：患者层、住院层、检测层和随访层应能通过唯一标识连接；时间零点和分析时间窗应被单独记录；每次清洗、剔除和修订应有可追溯痕迹。这样做既减少错配，也使后续敏感性分析和审稿回复有据可查。
从研究问题、数据定义到成果表达，算法只是流程中的一个环节。
四、SAP：在结果出来前，把关键分析规则说清楚
SAP（统计分析计划）常被误解为“统计人员的内部文件”。对模型项目而言，它其实是团队共同的分析合同：哪些变量进入候选集、连续变量如何处理、缺失数据采用何种策略、模型如何开发、调参是否嵌套于验证流程、内部验证用 Bootstrap 还是交叉验证、是否有外部数据集，以及最终报告哪些指标。
一份实用的 SAP，应至少回答 6 个问题 ① 主要和次要结局如何定义；② 每个预测因子的时间窗与处理方式是什么；③ 缺失机制如何描述、何时做插补；④ 候选预测参数与样本事件量是否匹配；⑤ 模型选择、调参与内部/外部验证如何避免信息泄漏；⑥ 需要报告哪些性能指标与置信区间。 |
模型评价不能只报一个 AUC 或 C 统计量。区分度回答“能否把较高风险与较低风险人群区分开”，校准回答“预测概率与实际风险是否接近”，决策曲线则从阈值概率角度审视潜在临床净获益。报告规范强调，模型的开发、验证和使用场景应被完整描述，而不是在结果最好时才补写方法[1]。
五、模型报告、图表体系与投稿材料：让结果可读、可审、可复现
分析完成后，建议先形成模型报告，再写论文。模型报告相当于论文的“技术底稿”，应包含样本流向、事件分布、缺失概览、候选预测因子、变量处理、模型形式或超参数、验证策略、性能指标、校准图、临床效用图和关键敏感性分析。这样写论文时，方法与结果不容易出现前后不一致。
图表也应按问题组织，而非按软件输出堆叠。通常可包括：研究对象流程图、基线与缺失情况表、预测因子信息表、模型性能表、ROC 或 C 统计量、校准曲线、决策曲线，以及必要时的风险分层或解释性图。对于机器学习模型，还应说明调参、数据拆分、特征选择是否在训练流程内部完成；仅展示特征重要性，不能替代模型性能与验证。
用 5 个问题阅读模型论文，也可反过来检查自己的项目材料是否齐全。
读一篇模型论文时，医生不妨从这 5 个问题开始：研究问题是否明确？变量和结局的时序是否合理？分析计划是否透明？性能评价是否完整？适用人群与验证边界是否交代？CHARMS 和 PROBAST 的思路同样适用于项目自查：前者帮助系统梳理预测模型研究的关键信息，后者重点提示研究对象、预测因子、结局和分析环节可能存在的偏倚风险[2,3]。
六、科室启动模型项目时，可先完成这份行动清单
启动前的 6 项准备 □ 明确预测问题、目标人群、时间零点和结局窗口；□ 列出现有数据来源，并完成变量清单与初步缺失核查；□ 制定 CRF、变量字典和结局判定规则；□ 明确研究数据库结构、编号规则和数据质控责任；□ 在分析前形成 SAP、验证路径和图表清单；□ 提前规划模型报告、论文结构、补充材料与投稿所需文件。 |
需要特别提醒的是：500 例患者未必自动等于“可以做一个成熟临床模型”。当事件数较少、候选参数过多、缺失严重、结局定义不稳定或没有独立验证条件时，项目可能更适合定位为探索性模型开发、内部验证研究，或先完成数据治理和可行性分析。模型的临床落地还需要结合实际决策阈值、工作流和外部人群检验，不能由单一性能数字替代。
从一张 Excel 到一篇模型论文，真正需要准备的不是更多列，而是更清楚的研究路径：先定义问题，再规范数据；先约定分析，再生成结果；先形成模型报告，再组织论文。医生把临床问题、变量意义和结局判定讲清楚，统计团队把数据结构、分析流程和性能评价做透明，模型才可能真正服务于临床决策。
参考文献
[1] Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378.
[2] Wolff RF, Moons KGM, Riley RD, et al. PROBAST: A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies. Ann Intern Med. 2019;170(1):51-58. doi:10.7326/M18-1376.
[3] Moons KGM, de Groot JAH, Bouwmeester W, et al. Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies: The CHARMS Checklist. PLoS Med. 2014;11(10):e1001744. doi:10.1371/journal.pmed.1001744.
[4] Riley RD, Snell KIE, Ensor J, et al. Minimum sample size for developing a multivariable prediction model: PART II—binary and time-to-event outcomes. Stat Med. 2019;38(7):1276-1296. doi:10.1002/sim.7992.
[5] Steyerberg EW. Clinical Prediction Models: A Practical Approach to Development, Validation, and Updating. 2nd ed. Springer; 2019.
关于我们
江西省九节狸生命科技有限公司专注于“科技服务健康”，面向医疗机构和科研院所提供一站式临床科研服务。公司由武汉大学、华中农业大学、上海交通大学等高校博士及高级工程师领衔，聚焦真实世界临床数据挖掘、专题专病样本库建立、临床流行病学研究设计、多组学检测与人工智能与机器学习先进算法开发应用、科研项目管理及成果转化等临床科研核心领域。
依托11年实战经验与自建AI知识库及高通量数据算法平台，公司致力于为医务工作者提供贴合真实科研场景的可申报、可转化、可落地的高质量科研解决方案，助力高效产出高质量科研成果。
联系方式：18179265158
