基于風(fēng)險(xiǎn)預(yù)測模型的預(yù)后研究一直以來都是研究者關(guān)注的熱點(diǎn)，各種各樣的預(yù)測模型質(zhì)量參差不齊,，常常讓人眼花繚亂,，那么如何去評(píng)價(jià)一個(gè)模型的好壞，或者說當(dāng)你構(gòu)建出一個(gè)疾病風(fēng)險(xiǎn)預(yù)測模型后,，它到底靠不靠譜,，值不值得去推廣和使用呢？這是一個(gè)我們需要去好好考量的問題,。

一個(gè)好的疾病風(fēng)險(xiǎn)預(yù)測模型,，它不只是簡單的因變量和自變量的數(shù)學(xué)組合,，它背后的實(shí)際臨床意義才是我們所要把握的重點(diǎn)，這就要求預(yù)測模型不僅要有很好的區(qū)分度（Discrimination）,，同時(shí)還要具備良好的校準(zhǔn)度（Calibration）,。

Discrimination和Calibration是我們在評(píng)價(jià)預(yù)測模型時(shí)最常用到的一對(duì)指標(biāo)，但是2015年Circ Cardiovasc Qual Outcomes雜志（影響因子：4.5）上發(fā)表的一項(xiàng)關(guān)注心血管疾病預(yù)測模型的系統(tǒng)綜述發(fā)現(xiàn),，63%的研究報(bào)告了預(yù)測模型的Discrimination信息,，但僅36%的研究報(bào)告了Calibration信息，使得預(yù)測模型的質(zhì)量成為研究泛濫的重災(zāi)區(qū),。

本期內(nèi)容我們就來向大家介紹一下這兩個(gè)重要的指標(biāo),，尤其是常常被人忽略的Calibration。

區(qū)分度(Discrimination)

介紹Calibration之前,，我們先簡單介紹一下Discrimination,。顧名思義，一個(gè)好的疾病風(fēng)險(xiǎn)預(yù)測模型,，它能夠把未來發(fā)病風(fēng)險(xiǎn)高,、低不同的人群正確地區(qū)分開來，預(yù)測模型通過設(shè)置一定的風(fēng)險(xiǎn)界值,，高于界值判斷為發(fā)病,，低于界值則判斷為不發(fā)病，從而正確區(qū)分個(gè)體是否會(huì)發(fā)生結(jié)局事件,，這就是預(yù)測模型的區(qū)分度(Discrimination),。

評(píng)價(jià)預(yù)測模型區(qū)分能力的指標(biāo)，最常用的就是大家非常熟悉的ROC曲線下面積（AUC）,，也叫C統(tǒng)計(jì)量（C-statistics）,。AUC越大，說明預(yù)測模型的判別區(qū)分能力越好,。一般AUC<0.6認(rèn)為區(qū)分度較差,，0.6-0.75認(rèn)為模型有一定的區(qū)分能力，>0.75認(rèn)為區(qū)分能力較好,。