TACE肝癌多中心生存预测模型：从Cox建模到临床落地

前几天一个做介入随访的老同行把一篇报道甩给我，说某国际顶级综合类学术期刊的新闻栏目独家报道了一项围绕 TACE（经导管动脉化疗栓塞）治疗肝癌的多中心研究，核心成果是一套生存预测模型。他的原话是：“标题写得像‘新希望’，但我关心的是，这套模型能不能落到我们科室的随访表上。”这个问题问得很到位。这几年做肝癌介入的预后建模，我见过太多“论文里C指数漂亮、临床上一用就崩”的例子。这篇博文就从这个标题出发，把 TACE 治疗肝癌的疗效异质性、多中心生存预测模型的设计逻辑、特征工程与验证的实操细节、以及落地时会踩的坑，一条条拆开讲清楚。适合三类人看：做介入临床、想搭自己队列随访库的医生；做医学统计与数据建模、被拉进临床课题的分析人员；以及需要读懂这类文献、判断结论能不能采信的研究生和年轻研究者。我不会给你诊疗建议，只讲方法、讲数据、讲工程实现，把它当成一份“如何读懂并复现一个生存预测模型”的项目笔记。

1. 先把这件事说清楚：TACE疗效为什么需要一个预测模型

1.1 TACE在肝癌治疗里的位置与疗效异质性

TACE 的基本逻辑并不复杂：把导管超选择插到供血动脉，注入化疗药物与栓塞材料，让肿瘤局部获得高浓度药物的同时断掉血供，缺血加上细胞毒作用，双管齐下。对于不能手术切除的中期肝癌，它是被写进主流路径里的常规选项之一。但它有个非常现实的软肋——疗效分布极其分散。同样是中期、同样做了几次 TACE，有的患者肿瘤坏死明显、几年稳定，有的患者两三次之后影像上几乎没变化，甚至肝功能先垮了。

这种分散不是操作手法差异能完全解释的。肿瘤负荷、包膜完整性、血供丰富程度、肝功能储备、有无门脉受侵、甲胎蛋白水平、炎症指标、乙肝病毒复制状态，甚至患者能不能耐受反复栓塞，都在起作用。临床上我们习惯凭经验“看片子+看化验”判断这个人值不值得再做一次，但经验没法量化、没法传授、没法多中心横向比较。这就是为什么“预测模型”这件事在这类治疗里格外有吸引力：它把模糊的直觉，拆成一串可计算、可复核的量。

我自己的体会是，TACE 的决策从来不是“做或不做”的一次性选择，而是一条反复评估的时间线：首诊评估、每次术后四周到八周的疗效评价、进展后的再治疗策略、肝功能恶化时的止损。预测模型真正能帮上忙的位置，是在这条时间线的几个岔路口给出概率区间，而不是替谁拍板。

1.2 从“平均疗效”到“个体预后”：预测模型要解决的真问题

传统研究给的是平均效应，比如某组人群的中位生存期是多少个月、客观缓解率是多少。这个数字对群体有意义，对坐在你面前的这个人几乎没意义——因为他可能是疗效最好那一端，也可能是最差那一端。预测模型要干的活，是把“平均”换成“这个人大概处在分布的哪个位置”。

具体来说，它在三个场景里有价值。第一是分层：把预后明显偏差的人群识别出来，前者可能更适合尽早考虑联合其他手段或换路径，后者则可以更放心地按计划做系列 TACE 并密切随访。第二是沟通：把风险讲成数字，比“情况不太乐观”这种表述更容易被家属理解，也更经得起追问。第三是科研：有了统一的预测基线，不同中心、不同时间段、不同技术改良之间的比较才有可比性，否则永远是各说各话。

但这里有个必须提前说清楚的边界：模型输出的是概率，不是结论。它告诉你“这类特征组合的人群里，某一时间点仍存活的比例大概是多少”，而不是“这个人一定会怎样”。把概率当结论用，是这类工具最常见的误用方式，也是最容易引发纠纷的地方。

1.3 多中心研究到底改变了什么

单中心模型最大的问题是“水土”。一家中心的患者构成、操作习惯、随访密度、影像评价的读片口径都是内生的，模型会把这些“本地特色”当成规律学进去。换个中心，患者基线不同、随访节奏不同，模型的表现就会明显缩水。

多中心研究解决的核心不是样本量，而是变异性的覆盖。当训练数据里包含了不同地区、不同级别机构、不同操作者、不同设备的人群，模型被迫去学那些跨中心稳定的信号，而不是本地噪声。这也直接决定了验证策略：真正有说服力的不是“在同一批数据上交叉验证”，而是“在完全没参与训练的中心上做外部验证”。

我经常用一个类比：单中心模型像是用一家店的客流数据预测全国销量，交叉验证只能证明你在这家店里预测得准，外部验证才能证明你换个城市还准。多中心研究公布的模型，能不能信，八成看它的外部验证做得实不实——这一点比模型用了多花哨的算法重要得多。

2. 拆解一个生存预测模型的完整设计思路

2.1 研究设计与入排标准：模型的地基

任何预测模型的价值上限，在建队列那天就定死了。做这类 TACE 预后研究，第一件要抠死的是入排标准的可复现性。诊断依据用的是哪一版标准、分期系统怎么界定、是不是首次治疗、之前有没有接受过其他局部或系统治疗、有没有门脉主干受累、肝功能处于什么状态、随访起点定在哪一天——每一条都要写成别人能照着复现的句子。

随访起点这个细节，坑特别多。是从确诊日算、从第一次 TACE 当天算，还是从末次治疗算？三种算法出来的生存曲线完全不同。多数研究把首次 TACE 当天作为零点，因为模型是给“准备做或刚开始做 TACE 的人”用的。但如果你的模型目标是“判断该不该做第 N 次”，零点就得跟着改。起点定义必须和模型的用途对齐，否则模型再准也用错了地方。

另一个容易忽略的是排除标准的时间维度。比如肝功能在治疗前急剧恶化的患者要不要排除？排除了，模型干净但人群变窄；不排除，模型更贴近真实但噪声变大。我的做法是：主分析用相对宽松的入排，同时做一个严格入排的敏感性分析，让读者看到结论对这条标准是否稳健。

2.2 终点事件怎么定：总生存、至进展时间还是别的

终点定义是这类研究里最容易被审稿人挑刺的地方，也是实操中最容易出错的地方。总生存（OS）最硬，事件明确、不受评价者主观影响，但需要足够长的随访和完整的确切死亡信息；无进展生存（PFS）或至进展时间（TTP）对 TACE 更敏感，但依赖影像评价的节奏和口径。

影像评价这块必须交代清楚：用的是哪种疗效评价标准、间隔多久复查一次、由几位阅片者独立判断、分歧怎么处理。如果评价间隔不统一（有人两个月查一次，有人半年才查一次），进展时间就会被系统性拉长——这不是生物学差异，是随访密度差异，属于典型的信息偏倚。做模型的人如果不管这一层，最后学到的可能是“谁复查得勤”。

还有个现实问题：失访。介入患者流动性大，尤其是异地就医的，随访两三年后失访率可能不低。处理方式要在方法里写明：删失处理、竞争风险要不要考虑、如果死亡和失访混在一起该怎么解释。这里我倾向于保守：宁可承认删失比例高、给出敏感性分析，也不要把删失当作“无事件”轻描淡写带过。

2.3 变量池的构建：三类变量的取舍逻辑

变量池一般来自三块：临床基线（年龄、性别、体能状态、病因、既往治疗史、有无门脉受累、肿瘤数目与最大径）、实验室指标（白蛋白、胆红素、凝血、血小板、甲胎蛋白、炎症相关比值等）、影像特征（强化方式、包膜、坏死比例、供血动脉来源，如果做影像组学还有纹理特征）。这三块的信息密度和可获取性差别很大，取舍逻辑也不一样。

实验室指标的优势是标准化程度高、几乎每个中心都有、时间点明确，是最稳的一层。临床基线里有些变量信息量很低（比如性别，在多数队列里贡献极小），但删不删要看过统计证据，不能凭感觉。影像特征信息量最高，但一致性最差——不同设备、不同期相、不同读片者的差异会直接灌进模型。

我一般会做这样一件事：把变量按“可获取性”和“可靠性”画一个粗略的二维分类，优先保留“到处都有且口径统一”的变量，对“信息量大但口径不统一”的变量先做一致性检验（比如两位读片者的评分一致性），一致性不过关的要么合并成粗分类，要么只作为探索性分析放进补充材料。这个动作看起来保守，但它决定了模型能不能被别的中心用起来。

2.4 为什么多数研究仍选 Cox 而不是深度学习

现在动辄有人问：为什么不用深度学习、不用大模型？答案很朴素——样本量撑不住，可解释性也撑不住。一个多中心 TACE 队列，几百到一两千例是常见规模，事件数更少。深度生存模型参数量动辄上万，在这种数据量下几乎必然过拟合，交叉验证看着还行，外部验证立刻塌。

反观 Cox 比例风险模型，它假设协变量对风险的作用是乘性的、不随时间变化，这个假设当然未必成立，但它参数少、可解释、能直接输出风险比和置信区间、能画列线图、能算个体化的生存概率，临床医生看得懂、敢用。多个心研究在这类场景下，往往就是 Cox 加一点正则化（LASSO 或弹性网）做变量收缩，再配一个列线图落地。

当然，如果事件数足够多（经验上每个候选变量至少十来个事件，越多越稳），随机生存森林、梯度提升生存模型确实可能提升区分度，代价是解释成本上升。我的建议是：主模型用 Cox 保证可用性，把机器学习模型作为补充分析放在后面，报告两者的一致性——如果复杂模型没有带来实质性提升，那就不值得为它牺牲可解释性。

3. 数据处理与特征工程的实操要点

3.1 缺失值与异常值：删还是填

真实世界的介入队列，缺失几乎必然存在，而且往往不是随机缺失——病情重的人化验做得更勤，病情轻的人可能某些指标压根没查。这叫信息性缺失，直接删样本会引入选择偏倚。

我的处理顺序是这样的：先统计每个变量的缺失比例和缺失模式；缺失低于 5% 的，用中位数或多重插补补上；缺失在 5% 到 20% 之间的，重点用多重插补（链式方程），并且把缺失本身作为一个敏感性分析维度；超过 30% 的变量，谨慎考虑直接剔除，或者只保留一个“是否检查过”的二值标记。

多重插补的实现上，R 里的 mice 包、Python 里的 statsmodels 或 scikit-learn 的 IterativeImputer 都能做。关键是做完之后要报告插补模型用了哪些辅助变量，并且把插补后的结果和完整病例分析的结果对比——如果两者结论差很多，说明缺失不是随机的，这时候更该谨慎而不是更自信。

异常值我不用“3倍标准差”这种粗暴规则。临床上很多“异常值”是真的极端病情，不是录入错误。我的做法是：数值超出生理可能范围的当录入错误处理；在生理范围内但远离分布的，保留并做敏感性分析，同时在模型里对连续变量做样条或稳健变换，减少单个极端点对系数的影响。

3.2 连续变量的非线性：别一上来就切三段

把连续变量硬切成“高/中/低”三组，是临床研究里最常见的坏习惯之一。它损失信息、切点任意、还容易在外部验证时因为人群分布不同而错位。更有害的是，如果切点是看着数据分布或者看着结果挑出来的，那就是变相的数据窥探。

更稳的做法是限制性立方样条。给连续变量三到四个节点，拟合并画出一条风险随数值变化的曲线，看它到底是线性、U形还是阈值型。如果确实存在明显阈值，再考虑按样条曲线上的拐点做分组，并且在报告里说明拐点是数据驱动得到的，需要在外部数据上再确认。这套流程比“拍脑袋切三段”麻烦，但它能解释清楚“为什么是这个切点”，审稿人也更难挑毛病。

拿白蛋白举例：它和预后的关系往往不是线性的，过低风险高，但极高值也未必更好，因为可能反映脱水或者营养状态异常。如果强行二分类，这条曲线信息就全丢了。样条图一画，往往能看出一个相对平稳的区间，这对临床沟通其实更有用——“你的白蛋白在这个区间内，相对不构成额外的风险信号”。

3.3 多重共线性与变量筛选：LASSO 加 Cox 的经典组合

实验室指标之间高度相关是常态，白蛋白和总蛋白、胆红素和肝功能分级、炎症比值和白细胞计数，随便一配就是一堆共线性。共线性本身不会让预测变差太多，但会让系数变得不稳定、方向诡异，解释起来很难看。

常见的处理路径：先看相关矩阵，相关系数绝对值很高的一对变量里，按临床意义和测量稳定性留一个；再用方差膨胀因子检查，超过阈值的组合要处理；最后用 LASSO-Cox 做收缩筛选，让不重要的变量系数压到零。这套组合在多中心小样本场景下非常好用，因为它同时解决了筛选和过拟合两个问题。

不过 LASSO 有个陷阱：它选出来的变量集合对数据扰动敏感，换个随机种子可能结果就变。所以我一般会做稳定性选择——多次重抽样，统计每个变量被选中的频率，只保留高频入选的变量。这样得到的变量集更可能反映真实信号，而不是某次抽样的偶然。

3.4 影像组学特征如果要做，坑在哪

影像组学能大幅扩展变量池，但也是翻车重灾区。第一个坑是扫描参数不一致：层厚、管电压、重建算法、期相不一致，提出来的纹理特征根本不可比。多中心研究如果不做重采样和强度归一化，后面所有分析都建立在流沙上。

第二个坑是特征数量爆炸：一次提取几百上千个特征，样本才几百例，这时候哪怕全用 LASSO 也容易过拟合。合理做法是先在训练集内做组内相关系数筛选（去掉稳定性差的）、去冗余（去掉高度相关的），把特征压到几十个量级，再进模型。

第三个坑是特征提取的可复现性。分割是手动、半自动还是自动，由谁来做，一致性怎么评估，用哪个软件哪个版本——这些不写清楚，别人复现不出来，结论就无法被检验。我见过不少研究，特征提取参数写得含糊，最后连作者自己都复现不了。

实话说，如果团队没有影像处理和质控的专门人手，我的建议是先别碰影像组学，把临床和实验室变量做扎实，做一个能用的模型，比做一个花哨但不可复现的模型有价值得多。

4. 建模、验证与评估的完整流程（含代码）

4.1 训练与验证的划分：外部验证才是硬通货

划分策略直接决定你报告的数字有多可信。最低配是随机拆训练集和测试集，稍好一点是交叉验证，真正有说服力的是时间切分加外部中心验证。时间切分（早期病例训练、后期病例验证）能检验模型在诊疗规范演进下的稳健性；外部中心验证检验的是跨人群的可迁移性。

一个经常被忽略的细节：如果多中心数据混在一起随机拆分，同一家中心的病例同时出现在训练和验证里，那验证结果会被高估，因为模型学到了这家中心的“特色”。正确做法是按中心整块划分，或者做“留一中心交叉验证”——每次留一个中心做验证，其余中心训练。

下面这段 R 代码演示基本骨架，数据是模拟的示例数据，仅用于说明流程，不涉及任何真实病例。

library(survival) library(glmnet) library(rms) library(timeROC) set.seed(20240501) # 模拟示例数据：n 例，含生存时间、结局与若干候选变量 n <- 600 dat <- data.frame( time = rexp(n, rate = 0.05), status = rbinom(n, 1, 0.6), age = rnorm(n, 60, 10), alb = rnorm(n, 38, 5), bil = rlnorm(n, 1.2, 0.5), afp = rlnorm(n, 4.5, 1.2), tumor = rpois(n, 2), size = rlnorm(n, 2.2, 0.6) ) # 训练/验证按中心整块划分的思路： # 实际项目中应使用 center_id 做分组拆分，此处以简单拆分示意 idx <- sample(seq_len(n), size = 0.7 * n) train <- dat[idx, ] test <- dat[-idx, ] # LASSO-Cox 变量收缩 x <- as.matrix(train[, c("age","alb","bil","afp","tumor","size")]) y <- Surv(train$time, train$status) cvfit <- cv.glmnet(x, y, family = "cox", alpha = 1) plot(cvfit) # 看 lambda 路径与偏似然偏差 coef(cvfit, s = "lambda.min") # 收缩后的系数 # 用选中的变量拟合常规 Cox，便于解释与画列线图 fit <- coxph(Surv(time, status) ~ age + alb + bil + afp + tumor + size, data = train) summary(fit)

这段代码里有两个点值得强调。第一，cv.glmnet的交叉验证必须只在训练集内做，把验证集信息带进去就是数据泄漏。第二，lambda.min和lambda.1se的选择要有理由——前者偏激进、变量多，后者更保守、变量少，如果目标是做一个能推广的模型，我通常选lambda.1se，用一点点区分度换取稳定性。

4.2 列线图：把模型变成医生愿意用的东西

模型做出来，如果只能输出一个风险比，临床基本不会用。真正能进科室的是列线图：每个变量在图上对应一段刻度，医生拿着化验单和影像报告，几分钟就能算出一个三年或五年生存概率的估计值。它把回归系数翻译成了“看得见的加减法”。

用 rms 包实现的基本流程是：设定分布函数、构建数据包、拟合 Cox、画图。中间最容易被忽略的一步是设定生存时间点。列线图上要标出哪几个时间点的概率，取决于这个模型的临床用途——如果随访主体在两年内，那画一年、两年、三年比画五年更实际，因为五年估计在样本里事件太少，不稳定。

另一个细节是变量的刻度范围。如果某个变量的取值在样本里 95% 都落在很窄的区间，而列线图把刻度拉得很宽，读图的人就会误以为这个变量的影响很大。刻度要贴着实际分布来，必要时在图上标注分布信息，避免误读。

4.3 区分度、校准度、临床获益：三项评估一个都不能少

只报一个 C 指数（一致性指数）就交差，是这类研究里最常见的短板。C 指数衡量的是“排序对不对”，它完全不管你预测的绝对概率准不准。一个模型可以把高风险的人排到前面，但预测的三年生存率是 30% 而实际是 60%，C 指数照样好看，临床上却没法用来沟通。

所以评估至少要做三件事。区分度：C 指数、时间依赖 AUC，后者能反映不同时间点的表现，比单一 C 指数信息量大。校准度：校准曲线，看预测概率和实际观测概率贴不贴，理想情况是落在对角线上；还可以报 Brier 分数，它是预测误差的综合度量，越低越好。临床获益：决策曲线分析，看在不同阈值概率下，用模型指导决策比“全都按同一种方式处理”能多带来多少净获益。

三项里，我认为校准对临床最重要。因为沟通时你说的就是绝对概率，校准不过关，数字就是错的。C 指数高但校准差的模型，宁可不用。校准还分“弱校准”（整体均值对不对）和“强校准”（整条曲线贴不贴），后者要求更高，样本量要求也更高。

# 区分度：时间依赖 AUC（示例） roc <- timeROC(T = train$time, delta = train$status, marker = predict(fit, newdata = train, type = "lp"), cause = 1, times = c(12, 24, 36), iid = TRUE) roc$AUC # 校准：在验证集上画校准曲线（示例框架） # 实际做法通常是按预测风险分组，比较各组预测均值与 K-M 观测值 pred_test <- predict(fit, newdata = test, type = "lp") # 决策曲线可借助 rmda 或 dcurves 包实现

跑这些分析时，最容易犯的错是在训练集上评估并在论文里当作主要结果。训练集上的 C 指数几乎必然偏高，看着漂亮但没有意义。主结果必须是外部验证集，训练集表现只能作为参考。

4.4 报告规范与可复现清单

模型类研究有一份被广泛接受的报告清单思路，核心是让读者能判断“这个模型值不值得信、能不能用”。我自己的项目会按下面这些项自查：

我特别想说“完整系数表”这一项。有些论文只画了漂亮的森林图，不给具体系数，别人想在你的基础上做验证都无从下手。把系数和基线生存函数写清楚，是这类研究最基本的诚意。

5. 模型落地临床的真实难点与排查

5.1 阈值怎么定才不误导

模型输出概率之后，必然要面临一个问题：多少算高风险？这个切点不能随便定。如果目的是“筛出需要加强随访的人”，切点应该偏敏感，宁可多纳入一些；如果目的是“判断要不要停止 TACE 转向其他路径”，切点就得偏特异，因为错误转向的代价可能更大。

更严谨的做法是用决策曲线去找净获益最大的阈值区间，结合科室的实际资源约束来确定。比如加强随访意味着更频繁的影像检查，资源有限时，切点就要相应上调。这一步没有标准答案，必须在具体场景里谈，任何“统一用 50% 作为切点”的说法都是偷懒。

这里还有一个沟通上的边界：模型给出的高风险，不等于“治疗没意义”。它只提示这个人可能需要更谨慎的方案设计、更密切的监测，或者更早讨论替代路径。把风险分层讲成预后判决，是我见过最糟糕的用法。

5.2 和患者家属沟通时的表达边界

拿模型结果去沟通，措辞要极其小心。有效的表达是区间和类比：“和你情况相近的一组人里，大约有多少比例在几年内情况稳定”，而不是“你只有百分之多少的希望”。前者是群体统计，后者听起来像判决。

同时要说清楚模型没考虑到的因素：患者的整体状态、家庭支持、并发症、后续治疗依从性，这些都会实质影响结局，而模型里可能只有一个粗略的变量。我一般会补一句“这个数字是基于一群人的平均情况，你是具体的一个人，我们会根据你的实际反应随时调整”。

还有一件事必须讲明：这类模型是研究工具，不是诊断或治疗依据。任何个体化的决策都必须由主诊团队结合完整资料判断。这一点在科普转述里特别容易走样，标题一个“新希望”，读者就以为有了确定答案。

5.3 常见报错与逻辑错误速查表

下面这张表是我这几年在评审和合作中反复见到的毛病，按“症状—原因—改法”整理：

5.4 我踩过的几个坑，说给你听

第一个坑是数据泄漏，而且藏得很深。我曾经把整个数据集一起做标准化和缺失插补，再拆训练验证，结果训练集表现好得离谱。后来才明白，验证集的均值和分布信息已经通过标准化“渗”进了训练过程。改法是：所有预处理步骤只在训练集上拟合，然后把参数应用到验证集。

第二个坑是把删失当成无事件。早期做分析时，我把失访的人当作“一直活着”，导致生存率被明显高估。正确做法是删失处理，并且检查删失是否与预后相关——如果失访的人恰好是病情更重的，那结论就有系统性偏差。

第三个坑是时间单位混乱。有人用月、有人用天，合并数据时没统一，模型跑出来时间轴全乱。这类错误很低级，但极难在结果层面发现异常，必须在数据字典阶段就锁死单位。

第四个坑是过度相信单次交叉验证。同一批数据换十次随机划分，C 指数能差出零点零几，如果只报最好那次，等于自欺。正确做法是重复多次交叉验证，报告均值和范围。

6. 从一篇报道到自己的项目：可复用的行动清单

6.1 队列搭建的最小可行方案

看了报道想自己动手，最容易犯的错是一上来就想做大而全。我的建议是先做最小可行队列：明确一个终点、锁定十个以内的核心变量、统一随访节奏、写一份数据字典。这四件事做完，你就有了一条能持续积累的产线，后面再往里加变量、加影像特征都容易。

数据字典要写到什么程度？每个字段的名称、单位、取值域、采集时间点、缺失编码、责任人，全都要有。我见过太多项目，两年后回头看数据，连“这个甲胎蛋白是术前还是术后”都说不清，整批数据只能作废。这种损失比模型不准严重得多。

随访机制上，我的经验是把“复查提醒”嵌进科室的日常工作流，而不是靠某个人记着。谁负责、多久提醒一次、失访后怎么追溯，都要有明确安排。数据质量是靠流程保出来的，不是靠事后清洗救回来的。

6.2 团队分工与协作的实话

这类项目从来不是一个人能做完的。临床端负责入排判断、终点判定和影像评价，数据端负责清洗建模，统计端负责方法设计和验证策略。三者之间最大的摩擦点是口径：临床说的“进展”和数据端理解的“进展”经常不是一回事。

解决办法是建立一份共同认可的判定手册，遇到边界病例就记录下来，定期开会讨论。我参与过的一个项目，前三个月几乎每周都在吵“这种情况算不算进展”，但正是这些争论把口径磨清楚了，后面的数据质量明显好于同期其他项目。

还有一条：建模的人必须去看原始病历，哪怕只看几十份。只看表格数据建模，很容易做出违背临床常识的模型，而你自己还不知道问题出在哪。

6.3 后续可以怎么扩展

如果基础模型跑通了，往下有三条自然的延伸路径。一是动态更新，把治疗过程中的变量（比如首次 TACE 后的缓解情况、甲胎蛋白变化幅度）纳入，做landmark分析或联合模型，让预测随时间滚动更新；二是决策导向，从“预测结局”转向“预测不同策略下的结局差异”，这需要更严谨的设计，但临床价值更高；三是多中心协作，把口径统一起来做外部验证，这是让模型真正被认可的关键一步。

我最后分享一个自己的体会。做这类预后模型这几年，我最大的转变不是技术上的，而是心态上的：一开始总想着把 C 指数做高、把模型做复杂，后来发现真正被人用起来的模型，往往变量少、图简单、口径清楚。有个合作科室的医生跟我说过一句话，我记到现在——“我不需要知道这个人的风险是 0.732 还是 0.748，我需要知道该不该让他两个月后再来一次。”模型的复杂度应该服务于这个问题的答案，而不是服务于论文里的数字。至于报道里说的“新希望”，我的看法是：它更像一把刻度更细的尺子，尺子本身不治病，但拿尺子的人可以量得更准一点。