编辑推荐：
研究人员针对多结局 CPMs 开发难题，构建风险估计分类体系，为模型开发及应用提供指引。
在医疗领域，临床预测模型（Clinical Prediction Models，CPMs）就像医生的得力助手，能根据患者的各种信息预测未来疾病发生风险，辅助医生做出决策。比如 QRisk 模型能预估心血管疾病风险，帮助医生规划生活方式干预或药物治疗方案；
PLCOM2012模型则助力肺癌筛查决策。然而，目前大多数 CPMs 只能预测单一结局，这在很多情况下显得捉襟见肘。
当需要全面评估患者健康状况，或是在决策过程中需要综合考虑多种可能事件及其对患者的影响时，单一结局预测就不够用了。例如在抗凝治疗决策中，医生既要权衡患者血栓形成（若不治疗）和出血（若治疗）的风险，又要考虑患者的偏好以及治疗和结局事件的效用；在预防多种慢性病的干预决策中，也需要了解多种长期疾病的发生风险。此外，虽然多元建模方法在 CPMs 开发中的应用越来越多，但相关术语使用混乱，风险估计类型（risk estimand）常常未被明确报告，导致研究人员难以选择合适的方法，也无法有效比较不同方法的优劣。
为了解决这些问题，英国曼彻斯特大学和伯明翰大学的研究人员 Glen P. Martin、Alexander Pate 等人开展了深入研究，相关成果发表在《BMC Medicine》上。
研究人员采用的主要技术方法包括：运用决策分析和效用理论，构建不同临床场景下的决策分析图，直观展示多种结局事件和决策路径；基于不同临床情境，系统梳理并提出风险估计分类体系，明确各类风险估计的适用场景和开发方法；通过列举心血管疾病风险预测、COVID-19 临床恶化风险预测、心房颤动患者抗凝治疗决策等多个实例，详细阐述分类体系中不同风险估计的应用方式。
研究结果主要如下：
- 风险估计分类体系：提出了四个层级的风险估计分类体系。
- 单结局风险（Taxonomy level 1）：风险估计为单个感兴趣结局的发生概率，基于预测变量而定。多数 CPMs 针对此层级，通常采用单变量模型开发，如逻辑回归或随机森林模型用于二分类结局，合适的生存分析模型用于时间 - 事件结局。
- 竞争结局风险（Taxonomy level 2）：适用于主要结局可能被其他事件阻止发生的临床情境，需使用竞争风险分析方法开发 CPMs，以准确估计各竞争事件的风险。
- 复合结局风险（Taxonomy level 3）：将多个结局合并为一个新的单一复合结局，开发单变量 CPM 进行预测。不过，此方法仅适用于无需区分单个结局的情况，因其存在信息丢失、增加结局定义异质性和解释困难等问题，使用时需谨慎。
- 多结局组合风险（Taxonomy level 4）：当决策需依据多个结局不同组合的发生风险时适用，需使用多元建模技术，直接估计或考虑多个结局之间的相关性，以准确估计联合风险。
- 特殊情况分析：对于单结局但具有多个互斥 “水平”（如类风湿关节炎药物预期反应）的名义结局，可使用多项逻辑回归进行建模，其预测风险属于第一层级；在多状态生存情境下的条件风险，多状态模型可用于探索某一主要时间 - 事件风险在经历特定中间事件后的变化，可针对分类体系中的任一风险估计进行研究。
在研究结论与讨论部分，明确了清晰定义和报告风险估计对所有预测模型研究至关重要。决策分析框架有助于为特定预测任务选择最合适的风险估计，并指导何时以及如何将多结局纳入 CPM 开发。同时，研究人员也指出，多结局 CPMs 的开发和验证仍面临诸多挑战，如联合风险预测的模型验证、校准评估方法的创新、混合类型结局建模方法的应用，以及考虑因果效应的反事实预测等。电子健康记录或许能为多结局预测提供高质量数据支持。
总体而言，该研究构建的风险估计分类体系为临床预测模型多结局研究指明了方向，对提高 CPMs 在复杂临床决策中的应用价值意义重大，也为后续相关研究奠定了坚实基础，有望推动临床预测模型在精准医疗领域的进一步发展。
