为提高人工智能预测模型在临床中的应用性，必须按照高标准来开发和验证预测模型。近期，《欧洲心脏病杂志》（EHJ）的编辑发表了一篇文章，提出研究者在开发人工智能预测模型时应考虑的5个质量标准。

全文链接：

https://academic.oup.com/eurheartj/advance-article/doi/10.1093/eurheartj/ehad727/7332053

1 完整报告和结果可重复性

完整和透明的研究报告，是审稿人和其他研究者能充分理解和评价预测模型有效性、并评估模型预测性能的关键。完整和透明的报告可以提高结果可重复性和再现性，从而提高模型的可信度。

有系统评价指出，很多预测模型（包括基于人工智能的预测模型）的报告严重不符合规范。完整的研究报告应有建模过程所有步骤的详细描述，包括数据的准备步骤、模型选择、调整、校准、模型测试步骤、内部和外部验证的所有结果。

为了确保能报告上述所有要素，作者应参考相关的报告规范，例如针对预测模型开发、验证和更新的TRIPOD报告规范[1,2]。报告规范通常附带一个清单，可以作为论文的补充材料（https://www.equator-network.org/reporting-guidelines/tripod-statement/）。预计TRIPOD报告规范很快就会更新，着重关注基于人工智能的预测模型[3,4]。

2 明确的临床预期用途

开发任何基于人工智能的预测模型，都应该有明确定义的临床问题，该预测模型可以成为问题的解决方案。需要明确模型的预期用途，例如在临床工作流程中所处的位置及应用方式。

基于人工智能的预测模型可以在心血管健康领域发挥多种作用。例如，准确预测心血管疾病的存在或预测特定时间范围内特定人群心血管疾病的进展，可以改善疾病诊断和患者预后。心血管健康预测模型的著名案例是Framingham风险评分和SCORE2[5,6]。

应精确定义人工智能预测模型在临床决策过程中的预期作用，例如是作为诊疗规范的一环还是起辅助作用。应与所有相关者举行会议，从未来使用预测模型的预期目标出发，帮助确定实施模型时的潜在影响、临床要求和潜在危害。