4. 风险识别与预测建模

风险识别与预测建模是患者分层平台从“规则驱动”走向“数据驱动”的关键环节。它的目标不是简单给患者打一个高风险标签，而是把临床问题转化为可计算、可验证、可解释的预测任务：明确预测对象、预测时间窗和结局定义，筛选真正有信息量的风险因素，构造稳定可复现的特征，选择与样本规模、可解释性要求相匹配的模型，并用临床可接受的方式完成评估与验证。

一、风险因素分析：先定义问题，再谈变量

风险因素分析的第一步是明确预测三要素：预测对象（如某类慢病患者、术后患者、住院老年患者）、预测时间窗（如入院后 24 小时内预测 30 天内非计划再入院）、结局定义（如再入院、病情恶化、ICU 转入、跌倒）。时间窗和结局定义必须唯一且可追溯，否则后续特征与标签会相互污染。

风险因素通常分为四类：人口学与基线因素（年龄、性别、BMI）、疾病与共病因素（主诊断、合并症数量、既往住院次数）、诊疗过程因素（用药种类、检验趋势、生命体征波动）、行为与社会因素（依从性、随访缺失、社会支持）。分析时不能只看单变量显著性，还要关注因果合理性、可获得性、时效性和缺失率。例如“既往 12 个月住院次数”在入院时即可获得，时效性好；而“出院带药依从性”若在预测时点尚未产生，就不能作为入院预测特征，否则会造成数据泄漏。

二、特征工程：把原始数据变成可学习的信号

特征工程决定模型上限。结构化数据常用处理包括：缺失值填补（中位数、均值、模型插补）、类别编码（独热、目标编码）、数值标准化（Z-score、Min-Max）、分箱（年龄分段、检验值分级）。对时序数据，应提取趋势、斜率、波动幅度和极值，例如“近 3 次肌酐的上升斜率”比单次肌酐更能反映肾功能恶化风险。

特征构造要围绕临床机制展开。以心衰患者 30 天再入院预测为例，可构造：BNP 变化率（出院前 BNP 相对入院峰值下降比例）、体重波动（住院期间每日体重差的最大值）、利尿剂剂量强度（呋塞米等效日剂量）、合并症负担（Charlson 指数）。这些特征比原始检验值更贴近“容量负荷是否控制住”的临床判断。

示例特征表（教学假设数据，非实测结果）
patient_id | age | bnp_drop_rate | weight_fluct | loop_dose | charlson | label_30d
P001       | 72  | 0.35          | 2.1          | 40        | 5        | 1
P002       | 65  | 0.62          | 0.8          | 20        | 2        | 0
P003       | 81  | 0.18          | 3.4          | 80        | 7        | 1

特征筛选可采用过滤法（方差、卡方、互信息）、包裹法（递归特征消除）和嵌入法（L1 正则、树模型重要性）。实践中建议保留 10～30 个核心特征，过多特征在小样本下极易过拟合，也会削弱临床可解释性。

三、常用预测模型：按任务与数据规模选择

临床预测常用模型可分为三类。第一类是可解释线性模型，如 Logistic 回归，输出优势比，便于临床沟通，适合样本量中等、需要评分卡落地的场景。第二类是树集成模型，如随机森林、XGBoost、LightGBM，能自动捕捉非线性与交互，适合特征维度较高、样本量较大的场景，但需配合 SHAP 等解释工具。第三类是生存分析模型，如 Cox 比例风险模型，适合结局是“到事件发生时间”的场景，可处理删失数据。

模型选择没有绝对最优，应结合样本量、缺失情况、可解释要求和部署环境。若样本仅数百例，优先 Logistic 回归或带正则的模型；若样本上万且追求区分度，可尝试梯度提升树，但必须做外部验证。

四、模型评估与临床验证：区分度、校准度与决策价值

模型评估不能只看准确率。类别不平衡时，准确率会被多数类主导。应重点关注：AUC（区分度）、敏感度/特异度、阳性预测值/阴性预测值、校准曲线（预测概率与真实发生率是否一致）、Brier 分数和决策曲线分析（不同阈值下的净获益）。临床验证通常分三步：内部验证（交叉验证或 Bootstrap）、时间外部验证（用后续时间段数据）、地理外部验证（用其它机构数据）。只有通过外部验证且校准良好的模型，才具备临床落地基础。

落地阶段还需建立监测机制：定期检查输入特征分布是否漂移、模型输出概率是否仍校准、临床干预后的实际结局是否改善。若发现漂移，应触发重训或阈值调整。风险识别与预测建模不是一次性任务，而是一个“定义—构造—训练—验证—监测—迭代”的闭环工程。