综述：样本量对基于人工智能的医疗健康预测模型质量与效用的重要性

这篇综述强调样本量在医疗AI预测模型开发中的核心作用，指出当前研究普遍缺乏样本量合理性论证，并提出七项关键影响：数据集代表性不足、预测因子效应不稳定、预测不确定性增加、模型区分度（c-statistic）降低、校准误差（R2 ）、临床效用下降及验证性能不精确。作者呼吁遵循TRIPOD指南和FDA的《良好机器学习实践》（Good ML Practice），采用pmsampsize等工具优化研究设计。

　　

样本量不足的七宗罪：医疗AI模型的隐形陷阱

数据集无法代表目标人群

小样本数据集如同管中窥豹——即使随机抽样，也难以覆盖真实的临床场景多样性。当训练数据仅包含23,000名参与者时，某些亚组（如特定种族或罕见病患者）的有效样本量可能骤降至30以下，导致模型对边缘群体的预测失效。这种"数据近视"会加剧医疗不公平，例如忽略ethnicity（种族）相关特征可能使模型对少数族裔产生系统性偏差。

预测因子：摇摆不定的指南针

采用lasso（套索回归）或随机森林等方法时，小样本会使关键预测因子的选择像抽签般随机。更讽刺的是，连SHAP值（Shapley Additive Explanations）等解释性工具也会因样本不足而失真——同一特征在不同训练集中可能从"重要预测因子"沦为"噪声"。这种不稳定性让临床医生难以信任模型的决策依据。

预测值：薛定谔的风险概率

模拟实验揭示惊人现象：当训练样本仅100例时，某患者的中风风险预测可能在1%到99%之间疯狂跳动（图1）。这种量子力学般的不确定性源于小样本无法区分信号（真实关联）与噪声。相比之下，5,000例样本能将预测区间压缩至合理范围，使"您的风险是15%±3%"这样的对话成为可能。

性能打折：c-statistic的滑坡

样本量过小直接削弱模型的"火眼金睛"能力。数据显示，训练样本从500减至100时，c-statistic（区分度指标）中位数下降0.05，而R²
（解释方差）惨遭腰斩（图2）。这意味着模型更难分辨需要化疗的癌症患者——好比用480p屏幕做微创手术。

校准失调：失真的风险镜子

小样本训练的模型常陷入"乐观主义"或"悲观主义"陷阱。某随机森林模型在752例数据上训练后，其校准曲线（calibration curve）在bootstrap验证中像过山车般起伏（图3）。这种失真可能导致过度治疗——当模型将5%真实风险夸大至20%，可能触发不必要的乳房切除术。

临床效用：负分的"智能"

决策曲线分析（Decision Curve Analysis）显示，两个校准失调模型在风险阈值0.2时的净收益（net benefit）竟低于"全员治疗"策略。这意味着使用这类模型反而会拉低临床决策质量——好比用不准的体温计指导退烧药使用。

验证危机：皇帝的新衣

某COVID-19死亡率预测研究在279人（仅7例死亡）的验证集上宣称"c-statistic=1.000"，却回避校准评估。这种样本量下的性能断言，如同用10人的投票预测大选结果。

破局之道：从数据荒漠到绿洲

研究者推荐双管齐下：训练阶段采用pmsampsize工具确保样本量≥100事件数/预测参数；验证阶段用pmvalsampsize模块精确评估性能。对于罕见病研究，可聚焦关键预测因子并坦承不确定性——毕竟，诚实的局限胜过虚假的精确。正如STANDING Together项目强调：在生命健康领域，任何性能不确定性都不应成为医疗差距的借口。