《Drug Resistance Updates》：Real world deployment of a pancreatic cancer risk model: impact of refitting, imputation, and computational burden
編輯推薦：
本研究針對胰腺癌早期診斷難題，探討了隨機生存森林（RSF）預測模型在真實臨床場景部署中的關鍵問題。研究人員通過模型重構、三種缺失值填補策略（SME/SMI/IFCE）比較及計算效率評估，發現模型重構顯著提升預測性能（C-index提升至0.79-0.85），IFCE方法在準確性與計算效率（19.54分鐘/批次）間取得最佳平衡。該研究為臨床預測模型的實踐轉化提供了重要實施參考。
胰腺癌作為最具侵襲性的惡性腫瘤之一，五年生存率僅為12.8%，其不良預后主要歸因于晚期診斷。由于缺乏人群篩查項目且早期癥狀非特異性，利用電子健康檔案（EHR）數據開發風險預測模型進行早期識別備受關注。盡管已有多種模型在回顧性驗證中表現良好，但其在真實臨床環境中的實施仍面臨三大挑戰：歷史數據開發的模型可能因人群特征變化而性能衰減；EHR中普遍存在的缺失數據在實時預測中處理困難；計算復雜性可能阻礙臨床工作流整合。
為系統評估這些實施瓶頸，研究人員開展了一項前瞻性研究，模擬在超過100萬患者中部署隨機生存森林（RSF）預測模型的實際場景。研究通過比較模型重構（使用2018-2019年數據更新原模型）與三種缺失值填補策略（子模型估計SME、堆疊多重填補SMI、固定鏈式方程填補IFCE）對預測性能的影響，并測量53周批次模擬中的計算負荷，為臨床轉化提供實證依據。
關鍵技術方法包括：基于美國凱撒醫療機構南加州分會（KPSC）2018-2020年EHR數據構建隊列；使用隨機生存森林（RSF）模型進行風險預測；采用三種缺失值填補方法（SME/SMI/IFCE）處理缺失數據；通過Harrell's C-index、校準曲線等指標評估模型性能；模擬53周批次部署分析計算效率。
研究結果揭示多個重要發現：
模型重構顯著提升預測性能
重構后的RSF模型在2020年驗證隊列中表現出全面改進：判別能力C-index從0.69-0.84提升至0.79-0.85，其中非填補條件的改善尤為顯著（從0.69至0.81）。校準方面，重構后模型在所有方法中均顯示預測風險與觀察風險更好對齊，盡管最高風險組（95-100百分位）仍存在低估現象。
缺失值填補策略存在顯著權衡
子模型估計（SME）在頂級1%風險閾值下獲得最高靈敏度（18.41%）和陽性預測值（PPV），但需要構建多個子模型而影響可擴展性。堆疊多重填補（SMI）雖在某些場景下校準最佳，但計算強度最大（平均383.77分鐘/批次）。固定鏈式方程填補（IFCE）實現最佳平衡，在保持良好預測性能（C-index 0.83）的同時，計算時間僅需19.54分鐘。
計算效率影響臨床可行性
在模擬53周批次（平均每批190,206名患者）的前瞻性部署中，IFCE方法展現出最佳的操作可行性。相比之下，SMI因計算需求過高可能限制其常規使用，而SME雖統計性能優異但實施復雜性較高。
模型性能存在種族差異性
模型在不同種族/族裔群體中的表現存在差異：亞裔/太平洋島民患者中獲得最高C-index（0.89），非裔美國人患者中校準最差但PPV最高。SMI在改善非裔美國人校準方面表現最佳，而SME在各組中均保持較高的PPV和靈敏度。
研究結論強調，定期模型重構和適當的缺失數據處理是維持預測模型在真實世界中性能的關鍵。在三種填補方法中，IFCE在計算效率和預測準確性間提供了最佳折衷。這些發現為在前瞻性臨床環境中實施風險預測模型提供了實用、以實施為重點的指導。
討論部分進一步闡釋了實施中的關鍵考量：COVID-19大流行引起的醫療模式變化可能解釋了最高風險組的校準不足；種族/族裔間的性能差異突顯了健康公平性在模型部署中的重要性；計算環境特異性意味著不同機構的運行時特征可能不同，需進行本地化規劃。
該研究的實際意義在于為臨床機構提供了明確的實施路徑：建議在本地數據上重構模型以改善校準；使用風險組圖和Greenwood-Nam-D'Agostino統計量評估校準；根據可用資源選擇適當的缺失值處理方法，其中IFCE為大多數場景的推薦選擇。
這項研究通過將統計性能與實施可行性相結合，為胰腺癌早期檢測模型的臨床轉化建立了重要橋梁，標志著預測模型從理論驗證向實際應用邁出了關鍵一步。
