综述：精准健康领域中临床风险预测模型的公平性指标报告：范围综述

这篇综述系统评估了临床风险预测模型（如心血管疾病CVD和COVID-19）中公平性指标的应用现状，揭示了当前研究在敏感特征（如种族、性别）评估上的缺失，并提出了"解释-实施-连接-收集"（I2C2）框架以推动算法公平性在精准健康（Precision Health）领域的实践。

　　

背景
临床风险预测模型作为精准健康的核心工具，正逐步整合到数字化医疗系统中。然而，这些模型在敏感特征（如性别、种族）上的公平性评估却鲜少被关注。公平性指标能有效识别模型潜在的差异性，但实际应用中仍存在数据同质化、指标定义模糊等挑战。

目标
通过实证分析CVD和COVID-19两类疾病的高影响力预测模型，评估公平性指标的应用现状，并提出改进策略。

方法
采用范围综述方法，筛选2013-2023年高引用文献（CVD模型需>100次引用，COVID-19模型需>10-50次引用），最终纳入23篇CVD研究和22篇COVID-19研究。

结果
研究发现：

• CVD模型：26%采用性别分层模型，但92%的种族数据集中于单一群体，且无种族分层研究。
• COVID-19模型：仅9%使用性别分层，50%的种族数据存在主导群体。
• 共同缺陷：无一研究使用公平性指标（如均等化机会Equalized Odds或人口统计平等Demographic Parity），且种族数据多未明确区分社会属性与生物学特征。

讨论
两大瓶颈制约公平性实践：

1. 数据多样性不足：多数研究依赖欧美人群（Global North），种族数据中85%以上为白人群体，且地理分布失衡。
2. 方法论模糊性：敏感特征定义不清（如混淆种族Race与遗传祖先Genetic Ancestry），且公平性指标选择缺乏临床场景适配性。

解决方案：I2C2框架

• Interpret（解释）：明确敏感变量的社会或生物学属性，如区分性别（Sex）与性别认同（Gender）。
• Implement（实施）：将公平性纳入TRIPOD等临床报告指南。
• Connect（连接）：搭建方法学研究者与临床实践者的桥梁，推广工具包（如AI Fairness 360）。
• Collect（收集）：优先纳入多民族、跨区域数据，例如通过电子健康记录（EHR）扩大样本多样性。

未来展望
近期少数研究（如产后抑郁预测模型）已尝试将公平性作为核心评估指标，通过重加权（Reweighing）等技术减少群体间差异。这一趋势提示，结合临床需求选择特定公平性指标（如对稀缺医疗资源采用均等化机会），或能实现精准与公平的双赢。