近日，我院臨床流行病學與循證醫學中心孫鑫研究員、王雯副研究員團隊在數字醫學領域頂刊npj Digital Medicine（IF:12.4）上發表題為 “A methodological systematic review of validation and performance of sepsis real-time prediction models” 的方法學調查。該研究系統調查了現有膿毒癥實時預測模型（SRPM）的方法學現狀和問題，提出了實時預測模型的新定義、形成了該領域內首個針對實時預測模型開發與驗證的方法學推薦。

圖1. 膿毒癥實時預測模型的方法學調查（npj Digital Medicine, 2025）

精準識別急重癥患者疾病狀態變化、早期予以針對性干預措施，是提升急重癥救治能力的重要措施。融合真實世界醫療數據和人工智能技術，開發針對急重癥患者的實時預測模型，早期、實時識別患者疾病變化，是醫工交叉研究領域的重要內容和前沿發展。急重癥實時預測模型由于患者高度異質性、數據動態變化性，其模型開發、驗證、評價的方法均與傳統預測模型存在差異。尚無針對實時預測模型的方法學推薦，導致模型臨床應用表現不佳、利用率低，阻礙了其向臨床轉化應用。

針對以上方法學難題，研究團隊以SRPM為示范，開展了實時預測模型方法學調查。通過檢索截至2023年3月的文獻，共納入91項研究。研究結果發現：目前SRPM研究存在定義不統一（圖2）、驗證方法不一致、評價指標不全面等方法學問題。如：僅54.9%的研究基于全時間窗口驗證，并同時計算了模型層面和結果層面的性能指標；僅18.7%的研究在多維指標評價中性能較好(圖3)。研究團隊進一步揭示了提升SRPM性能關鍵方法學因素（圖4），并針對“數據準備-模型開發-模型驗證-臨床轉化”四個階段關鍵技術，形成了方法學推薦。

圖2. 膿毒癥實時預測模型的新定義（npj Digital Medicine, 2025）

圖3. 不同驗證方式下膿毒癥實時預測模型的性能表現（npj Digital Medicine, 2025）

圖4. 影響膿毒癥實時預測模型性能的關鍵方法學因素（npj Digital Medicine, 2025）

上述研究是該領域內首個針對實時預測模型的方法學調查，通過系統方法學調查，課題組揭示了SRPM存在的方法學局限及影響模型表現的關鍵因素，并因此提出了實時預測模型的新定義、形成了首個針對實時預測模型的方法學推薦。

該研究是課題組在AI賦能真實世界研究領域的又一重要成果。課題組依托循證醫學學科優勢，融合人工智能與真實世界數據，在全國率先建立了針對復雜數據的真實世界隊列構建技術、開發了針對動態用藥的方法學框架及關鍵技術、發布了首個針對復雜變量的識別技術規范，相關成果發表在BMJ, Military Medical Research, Critical Care, Critical Care Medicine等雜志。

我院循證醫學中心博士研究生王子晨與王雯副研究員為共同第一作者。孫鑫研究員與王雯副研究員為本文共同通訊作者。該研究得到了國家自然科學基金、我院學科卓越發展“1·3·5”工程等項目的支持。

原文鏈接：https://doi.org/10.1038/s41746-025-01587-1