Heart最近发表了一篇综述《Graphics and statistics for cardiology: clinical prediction rules》[1]，作者以心血管风险评分（CVD risk factor）为例探讨了如何借助统计图优势构建疾病的预测模型，并提出了6个重要步骤。（表1）

表1. 疾病预测模型的构建

上期我们聊到模型中预测变量的筛选，一旦重要的预测变量被筛选出来，下面就到了重点——风险评分模型构建和评价。

建立风险评分

风险评分可通过模型中变量的加权总和函数计算求得，其中每个变量的权重就是多因素回归模型中的回归系数（例如，Logistic回归模型是log OR，Cox和Weibull回归为log HR）。模型中另外一个重要的决定因素是时间的滞后性，ASSIGN评分中，研究者假定为10年。

从数学的角度上看，风险其实就是一种概率，因此其取值范围在0-1之间。临床实际应用中，更常见的是将它定义为0-100%。通过Glasgow数据获得的女性CVD风险评分如下：

表2. Glasgow数据获得的女性CVD风险评分模型

评价风险评分：区分度

一个风险评分是否能够很好地预测某人将来是否患CVD（即所谓的模型区分度“Discrimination”）是很复杂的，因为风险评分只能告诉我们一个人发生CVD概率有多大，取值在0-100%之间。

实际上，一个人在10年间只可能出现两种结局——患CVD or 不患CVD。这时候就需要一个临床意义上的阈值（例如，我们将CVD 10年的发生概率≥10%定义为高危人群，急需进行预防性干预），基于这样的阈值就可以通过灵敏度和特异度评价风险评分的好坏。