基于AI的诊断准确性和预后研究报告规范解读2025.pdf

基千AI的诊断准确性和预后研究报告规范解读2025

随着全球科技革命4.00时代的到来，在梢准医学理念

、生命科学革命3.

下，医学的数据化、精准化、智能化特征越来越明显，医学和生物科学领

artificialintelligence,

域数据得到极大丰富。由数据驱动的人工智能(

machinelearning)

AI)及机器学习(技术的发展，以及在

医学领域的

应用，使大规模、高维度、动态性的医学大数据得以快速整合，其产生的

判别或分类模型(discriminativemodel)predictivemodel)

和预测模型(

在医学领域中被用来判别／区分不同的疾病状态，预测发病风险或预后，

展现出在疾病诊断、预后预测和治疗决策支持中的巨大潜力[1-2

]。但是，

机器学习模型的应用也带来了诸如数据偏倚、模型透明性、结果可重复性

等挑战[3]，因此规范化的报告标准显得尤为重要。为应对这一需求，构建

ollins

起数据驱动的诊断、预后研究标准化体系刻不容缓。为此，C等[4]

发布了基千机器学习的多变量预测模型个体预后或诊断的透明报告

(transparentreportingofamultivariablepredictionmodelfor

individualprognosisordiagnosis,TRIPOD)+AI声明。为帮助研究

者更好地理解和应用TRIPOD+AI声明，笔者结合实例对其进行了解读，

希望为研究人员提升报告质益提供支持。

1TRIPOD+AI声明的制订背景

Moher等在2010年着手进行TRIPOD的开发，并在2015年发布

(https:///），旨在发或评估预测模型

为开

性能的研究提供最低限度的报告建议[5]。但随着机器学习技术的兴起，支

持向量机、随机森林、深度学习等机器学习算法给模型带来了革命性的变

革，虽然TRIPOD声明与建模技术本身关联不大，但制定之时主要针对的

是由理论驱动的统计回归模型，其与机器学习技术在建模策略、数据处理、

评价目标等方面都有较大差别，对报告的透明度和完整性提出了新的要求，

因此急需对声明进行更新。TRIPOD团队的领导者和合作学者千2019年

4月启动了TRIPOD+AI的开发，并千2022年7月最终确定了

“”

TRIPOD+AI的条目。其中的+表示其是以TRIPOD为基础，适用千

统计回归模型或机器学习方法开发的预测模型的研究，同时为与现有涉及

AI的研究报告指南保持一致，使用附加术语“AI，但实际上支撑模型的

为机器学习算法[4]。因此，为了便千阅读，笔者仍然称之为机器学习。

2T