近日，我院临床流行病学与循证医学中心孙鑫研究员、王雯副研究员团队在数字医学领域顶刊npj Digital Medicine（IF:12.4）上发表题为 “A methodological systematic review of validation and performance of sepsis real-time prediction models” 的方法学调查。该研究系统调查了现有脓毒症实时预测模型（SRPM）的方法学现状和问题，提出了实时预测模型的新定义、形成了该领域内首个针对实时预测模型开发与验证的方法学推荐。

图1. 脓毒症实时预测模型的方法学调查（npj Digital Medicine, 2025）

精准识别急重症患者疾病状态变化、早期予以针对性干预措施，是提升急重症救治能力的重要措施。融合真实世界医疗数据和人工智能技术，开发针对急重症患者的实时预测模型，早期、实时识别患者疾病变化，是医工交叉研究领域的重要内容和前沿发展。急重症实时预测模型由于患者高度异质性、数据动态变化性，其模型开发、验证、评价的方法均与传统预测模型存在差异。尚无针对实时预测模型的方法学推荐，导致模型临床应用表现不佳、利用率低，阻碍了其向临床转化应用。

针对以上方法学难题，研究团队以SRPM为示范，开展了实时预测模型方法学调查。通过检索截至2023年3月的文献，共纳入91项研究。研究结果发现：目前SRPM研究存在定义不统一（图2）、验证方法不一致、评价指标不全面等方法学问题。如：仅54.9%的研究基于全时间窗口验证，并同时计算了模型层面和结果层面的性能指标；仅18.7%的研究在多维指标评价中性能较好(图3)。研究团队进一步揭示了提升SRPM性能关键方法学因素（图4），并针对“数据准备-模型开发-模型验证-临床转化”四个阶段关键技术，形成了方法学推荐。

图2. 脓毒症实时预测模型的新定义（npj Digital Medicine, 2025）

图3. 不同验证方式下脓毒症实时预测模型的性能表现（npj Digital Medicine, 2025）

图4. 影响脓毒症实时预测模型性能的关键方法学因素（npj Digital Medicine, 2025）

上述研究是该领域内首个针对实时预测模型的方法学调查，通过系统方法学调查，课题组揭示了SRPM存在的方法学局限及影响模型表现的关键因素，并因此提出了实时预测模型的新定义、形成了首个针对实时预测模型的方法学推荐。

该研究是课题组在AI赋能真实世界研究领域的又一重要成果。课题组依托循证医学学科优势，融合人工智能与真实世界数据，在全国率先建立了针对复杂数据的真实世界队列构建技术、开发了针对动态用药的方法学框架及关键技术、发布了首个针对复杂变量的识别技术规范，相关成果发表在BMJ, Military Medical Research, Critical Care, Critical Care Medicine等杂志。

我院循证医学中心博士研究生王子晨与王雯副研究员为共同第一作者。孙鑫研究员与王雯副研究员为本文共同通讯作者。该研究得到了国家自然科学基金、我院学科卓越发展“1·3·5”工程等项目的支持。

原文链接：https://doi.org/10.1038/s41746-025-01587-1