3. 患者分层模型设计
患者分层模型不是“给患者打个风险分”这么简单，它要同时回答三个问题：用哪些信息分层、用什么机制分层、分出来的层如何被临床和运营人员理解并使用。这三者分别对应分层维度、分层方法与标签体系，缺一不可。维度选错，模型再准也无法落地；方法选错，规则僵化或黑箱难解释；标签体系缺失，分层结果就只是数据库里的一列数字，无法驱动干预动作。
一、分层维度选择：从“可获取”到“可干预”
分层维度通常分为四类。第一类是人口学与基础信息，如年龄、性别、参保类型、居住区域，用于粗粒度分组和资源分配。第二类是临床与疾病信息，包括主诊断、合并症数量、疾病分期、关键检验指标（如糖化血红蛋白、eGFR、BNP）、用药方案，这是风险判断的核心。第三类是行为与依从性，如随访缺失次数、用药依从率（PDC/MPR）、急诊就诊频次。第四类是社会与资源因素，如独居、照护缺失、经济困难、交通可及性，这类维度常被忽略，却直接影响干预能否执行。
维度选择要遵循两条原则。其一是可获取性：维度必须在现有数据源中稳定可得，否则模型无法持续运行。其二是可干预性：如果一个维度无法通过任何干预手段改变，它只适合做分层依据，不适合做干预靶点。例如年龄不可改变，但“独居+随访缺失”可以触发社工介入。实际设计中，建议先用“可获得性×可干预性”做一次维度筛选，把维度分为核心维度、辅助维度和观察维度，避免一次性引入几十个字段导致模型臃肿。
二、规则引擎与机器学习方法：两条路线与融合策略
规则引擎适合临床共识明确、阈值清晰的场景。例如：收缩压≥180 mmHg 且合并糖尿病，直接进入高危层；或 30 天内急诊就诊≥2 次，进入高风险关注层。规则引擎的优点是透明、可审计、易沟通，临床人员能直接看懂“为什么这个人被分到高危”。缺点是规则数量增长后维护困难，且难以处理多因素交互。
机器学习方法适合多因素非线性、预测未来事件的场景。常见做法是用逻辑回归、梯度提升树（如 XGBoost、LightGBM）预测“未来 6 个月是否发生可避免住院”或“未来 12 个月是否进入高费用层”。输入特征包括上述四类维度，输出是概率值，再按概率阈值切分为高、中、低风险层。机器学习能捕捉复杂交互，但必须解决可解释性问题，否则临床不敢用。
实际工程中更推荐规则引擎与机器学习融合：规则引擎负责“硬约束”和“兜底”，例如确诊某些疾病直接进入特定层；机器学习负责“软排序”，在规则层内部再按预测概率细分优先级。这样既保证临床安全底线，又保留预测精度。
三、分层标签体系：让模型输出变成业务语言
模型输出的概率值本身没有业务含义，必须翻译成标签。一个可用的分层标签体系至少包含三层：风险等级标签（高/中/低）、风险原因标签（疾病进展、依从性差、社会支持不足、多重用药等）、干预建议标签（个案管理、药师随访、社工介入、健康教育）。三层标签组合后，业务人员看到的不是“0.83”，而是“高风险 / 依从性差 / 建议药师随访+短信提醒”。
标签设计要避免两个极端：一是标签过粗，只有“高/中/低”，无法指导具体动作；二是标签过细，几十个标签导致执行者无法记住。建议风险原因标签控制在 5～8 个，干预建议标签与现有服务目录一一对应，确保每个标签都有明确的执行人和执行动作。
四、业务可解释性：从“黑箱”到“可沟通”
可解释性不是要求模型简单，而是要求分层结果能被临床和运营人员理解、质疑和采纳。常用手段包括：全局特征重要性（哪些维度对分层影响最大）、局部解释（这个患者为什么被分到高危，如 SHAP 值展示前三个贡献因素）、规则回溯（是否触发了某条硬规则）。在系统界面上，建议每个患者的分层卡片同时展示“风险等级 + 前三个风险原因 + 建议动作”，让使用者一眼看懂。
此外，可解释性还包括版本可追溯：每次模型或规则调整后，分层结果的变化要有记录，便于复盘“为什么上周还是中危，这周变成高危”。没有版本管理的分层模型，在临床质疑时无法自证，最终会被弃用。
五、一个可参考的分层规则示例
以下规则仅用于教学说明，实际阈值需结合本地临床共识调整：
规则 R1（硬约束）：确诊心力衰竭且 NYHA III-IV 级 → 高危层
规则 R2（硬约束）：30 天内急诊就诊 ≥ 2 次 → 高危层
规则 R3（软排序）：机器学习预测 6 个月可避免住院概率 ≥ 0.35 → 高危候选
规则 R4（软排序）：概率在 0.15～0.35 之间 → 中危层
规则 R5（兜底）：无上述触发且概率 < 0.15 → 低危层
标签输出示例：
患者 A：高危 / 疾病进展+依从性差 / 个案管理+药师随访
患者 B：中危 / 多重用药 / 药师用药重整+3个月复评
患者 C：低危 / 无特殊 / 年度健康教育这套组合的关键在于：规则 R1、R2 保证临床安全底线，机器学习 R3、R4 负责在剩余人群中按预测风险排序，R5 兜底。标签体系把每一层翻译成具体动作，可解释性则通过“触发规则 + 前三个特征贡献”呈现。三者闭合后，患者分层模型才真正具备工程落地条件。