当医学从经验医学发展到循证医学，从循证医学再到精准医学，数据的价值得到前所未有的重视，大数据时代数据的获取、存储以及分析与预测技术的迅速发展，使得个性化医疗的愿景越来越成为可能。

临床预测模型作为风险与获益评估的量化工具，可为医生、病人以及医疗政策制定者的决策提供更为直观理性的信息，因此其应用也越来越普遍。本文将从临床预测模型的概念、应用场景以及研究思路三个方面做一总结。

临床预测模型的基本概念

临床预测模型（Clinical Prediction Models），又称临床预测规则（Clinical Prediction Rules）、预测模型（PrognosisModels）或者风险评分（Risk Scores），是指利用多因素模型估算患有某病的概率或者将来某结局发生的概率。

临床预测模型包括诊断模型（Diagnosticmodels）和预后模型（Prognostic Models）（图1）。

诊断模型关注的是基于研究对象的临床症状和特征，诊断当前患有某种疾病的概率，多见于横断面研究；

预后模型关注的是在当下的疾病状态下，未来某段时间内疾病复发、死亡，伤残以及出现并发症等结局的概率，多见于队列研究。

图 1：临床预测模型的概念

不过诊断模型与预后模型也有很多相似之处：如结局多为二分类，虽然少数情况下也有血压、血脂、血糖、疼痛评分以及生存质量评分等连续指标作为结局；研究的效应指标均为结局出现的绝对风险，即发生的概率，而非相对危险度（RR）、比值比（OR）或者风险比（HR）等相对风险效应指标；在模型的技术层面，也都需面临预测因子的选择、建模的策略、模型性能的评价等环节（图2）。