预测十年缺血性卒中风险：一个胜过传统评分的XGBoost，但其绝对风险在不同医院之间崩塌
来自阿拉巴马大学伯明翰分校与西奈山伊坎医学院的团队构建了一个XGBoost模型，通过结合临床数据、化验轨迹和二十个多基因风险评分来预测十年缺血性卒中风险。在开发队列上，它明显优于参考评分（修订版Framingham、Pooled Cohort Equations），其对患者的排序能力可迁移到来自另一家医院的外部队列。但当从一个中心转到另一个中心时，它对绝对风险的估计崩塌了——它预测的卒中数约为实际的八倍——基因组的贡献除一个亚组外都微乎其微，而"自报种族"在纳入多基因信号后几乎没有增加任何信息。
关于背景
预测谁将在十年内发生卒中，用于在事件发生前决定对谁进行一级预防——他汀类药物、降压药、抗血小板药。历史工具，即修订版Framingham卒中风险量表（rFSRP）和美国的Pooled Cohort Equations（PCE），依赖一小撮手工录入的因素（年龄、血压、吸烟、糖尿病、胆固醇），通过回归加以组合。人们知道它们有两个局限：它们主要在白人人群上进行校准，并且忽略了电子健康记录（EHR）和基因组中蕴含的海量信息。
两种较新的要素有望做得更好。首先是化验轨迹：不是孤立地测一次血糖或肌酐，而是概括某一标志物的反复变化（其均值、变异性、斜率、近期性）。其次是多基因风险评分（PRS，即polygenic risk score：对数千个与某疾病相关的遗传变异的数值化汇总，从个体的DNA计算得出）。悬而未决的问题，也是这份预印本的主题：这些要素相对于传统评分是否真的增加了什么，尤其是当医院和族裔构成改变时，其收益能否保持？这个问题并非修辞：PRS大多基于在欧洲血统人群中开展的遗传学研究构建，其向其他血统的可迁移性正是该领域已知的薄弱环节。
关于方法
回顾性队列研究。模型在All of Us（AoU，一项大型美国研究项目）中开发：34 987名年龄至少45岁的成年人，在纳入前至少有一年的病历记录，锚定于一个基线日期（2010年1月），随后随访十年；其中1920人发生了缺血性卒中（5.5%）。外部验证在纽约西奈山的BioMe Biobank进行：10 693名参与者，107例卒中（1.0%），人群构成明显不同——西班牙裔更多（35%对12%）、黑人更多（22%对19%）。所测量的事件是首次住院缺血性卒中，由诊断编码（ICD-9和ICD-10）定义；非缺血性卒中和仅门诊的病例被排除，且对照者必须至少有十年随访。
该模型是XGBoost——一片由梯度提升（gradient boosting）构建的决策树森林，其中每棵新树都纠正前面各树的错误；它在此处的有用特性是能够处理缺失值而无需人为填补。作者堆叠了三个嵌套层级：M1（临床数据：人口学、共病、生命体征、用药）、M2（M1 + 化验轨迹）、M3（M2 + 来自公开PGS目录的二十个PRS）。他们并行训练两个系列：一个"全特征"模型（AoU专用，包含自报种族）和一个"协调"模型（仅限两个队列共有的特征，以便在AoU上训练的单一模型可原封不动地在BioMe上运行）。每种设定都以"对种族盲"和"对种族知情"两个版本进行测试，两者的对比可分离出自报种族本身的贡献。
模型的两种品质被分别测量，这是研究的核心。区分度——即把未来的病例排在非病例之上的能力——通过AUROC衡量（ROC曲线下面积：0.5为随机，1为完美）。校准度——即所报绝对风险的准确性——通过观察/预期比衡量（O/E：理想为1；低于1则模型高估了风险）。校准通过Platt scaling在AoU的一个专用分区上调整，然后原封不动地应用于BioMe。超参数通过交叉验证调优（借助Optuna），置信区间通过自助法（bootstrap）获得，AUROC通过DeLong检验比较，变量重要性通过SHAP分解。报告遵循TRIPOD+AI指南。最后，M3在符合这些评分适用条件的亚组上与rFSRP和PCE进行比较。
关于结果
在AoU测试分区（6998名参与者，384例）上，M3达到0.813的AUROC（95%置信区间0.788–0.837）。与传统评分的差距十分惊人：相对修订版Framingham高出0.164的AUROC，相对PCE高出0.181（两者P < 0.001）。但分解很有启发性：加入化验轨迹（M2对M1）带来显著提升（ΔAUROC 0.020；P = 0.016），而加入二十个PRS（M3对M2）并未带来显著提升（ΔAUROC 0.004；P = 0.253）。换言之，大部分进步来自丰富的病历，而非基因组。
外部迁移讲述了两个相反的故事。区分度得以迁移，但有所衰减：在BioMe上，M3的AUROC降至0.745。而校准度则崩塌了：汇总的观察/预期比从AoU上的1.00降到BioMe上的0.12。说白了，若原封不动地使用，该模型预测的卒中数约为外部队列中实际发生数的八倍。在BioMe上重新校准截距，可修复非裔美国人（O/E 1.05）和西班牙裔（0.86）参与者的校准，但无法修复欧裔美国人（0.43，残余的过度校正）。
临床解读。在设定为90%特异度的阈值上，M3标记出54%的未来卒中，而仅临床模型为43%，阳性预测值为25%对20%——也就是说，在相同的筛查策略下，真阳性多出四分之一，假阳性少10%。这是实实在在的分诊收益。但一个绝对风险偏差达八倍的模型，就目前状态而言，无法用于在一家新医院设定治疗阈值：它会很好地对患者排序，同时却大规模过度治疗。在基因组方面，PRS的贡献仅在六个队列×血统组合中的一个上显著——BioMe的西班牙裔（ΔAUROC +0.042；P = 0.003）——在其他组合中为零（估计值从−0.019到+0.012）。至于自报种族，只有在与PRS结合时才增加微小收益（BioMe +0.022，P = 0.035；AoU +0.006，P = 0.053），没有PRS时则毫无作用。
做得好的地方
在血统明显不同的队列上进行了真正的外部验证。这是例外而非常规：作者自己也指出，卒中风险模型很少在不同血统的队列上验证。这里，在AoU上训练的模型面对的是另一家医院、另一种族裔分布（西班牙裔35%对12%）以及低五倍的卒中患病率。这正是90%已发表模型所回避的检验。
诚实地处理了区分度与校准度的区别。许多论文止步于一个讨喜的AUROC。这里，作者白纸黑字地表明排序能力得以迁移（AUROC 0.745）但绝对风险崩塌（O/E 0.12），并如实道出。这种双重呈现恰恰让人看到：一个良好的排序评分可能给出错误的绝对风险——这是本研究最有用的教益。
细致的方法学严谨性。按TRIPOD+AI报告，没有把纳入后的信息喂入模型（无时间泄漏），通过交叉验证调优超参数，通过自助法给出置信区间，通过DeLong检验比较AUROC，通过SHAP将变量重要性分解为临床领域。经费来自公共机构（美国国家心肺血液研究所；阿拉巴马基因组健康计划），作者声明无商业利益冲突。
做得不够的地方
人群偏倚与仅有一个外部验证点。这是核心的失败模式。BioMe是单一的一家纽约医院：校准只有逐个中心重做才成立，而且即便重新校准，对欧裔美国人仍然失灵（O/E 0.43）。尤其是，主要基于欧洲血统研究构建的PRS无法迁移：在六个血统层中的五个里，其贡献为零。一个被宣传为适用于"多样人群"、其基因组收益却只在单一队列的西班牙裔身上兑现的模型，在这一点上仍然是脆弱的。
一个薄弱的比较对象和一个被摆在前面的讨喜指标。两种叠加的失败模式——有偏的比较对象和误导性的指标。相对Framingham和PCE高出0.16至0.18的AUROC差距是真实的，但这是把一个喂入完整病历的XGBoost与一到三十年前为一小撮手工录入变量而设计的评分相比：这种比较在构造上就不对等。诚实的内部检验（M3对M2）此外表明，被着重强调的二十个PRS几乎没有增加任何东西——收益来自EHR，而非所宣扬的基因组创新。而0.745的AUROC伴随0.12的O/E则提醒人们：孤立地看，良好的排序丝毫说明不了所报风险的准确性。
各层内的检验效能有限，且可复现性封闭。BioMe仅有107例卒中，按血统拆分成一个个极小的亚组：某些按血统的AUROC置信区间非常宽（宽至0.673–0.925），各组的结论建立在很少的事件之上。放宽卒中定义会使外部AUROC降至0.646–0.674，表明其对所选表型高度敏感。最后，数据处于受限访问之下（AoU和BioMe），未公开任何代码仓库，而且这是一份尚未经过同行评议的预印本，以非商业、禁止演绎的许可（CC-BY-NC-ND）发布——因此独立复现受到限制。
它改变了什么
对研究界而言，这项研究传递了两条信息。首先，在2026年，卒中预测的进步主要来自对纵向病历的利用——化验轨迹——远多于来自多基因评分，后者的跨血统可迁移性仍是尚未解决的瓶颈。其次，一条可直接复用的方法学教益：在外部队列上分别验证区分度和校准度，并在任何部署之前规划针对每个中心的重新校准。
对临床医生而言，今天没有什么可以部署：该模型在其原始中心之外未经校准，未获批准，且仅基于一份预印本。以病历为食的一级预防评分这一想法在中期是可信的，但严格以本地重新校准为前提——没有它，所报的风险将无法使用。对患者和公众而言，这项研究阐明了两条阅读规则。"一个AI预测卒中比Framingham更准"掩盖了收益主要来自病历而非基因组这一事实，也掩盖了一个排序良好的模型在另一家医院可能在真实风险上偏差达八倍。而在敏感的种族问题上：该研究提示，遗传血统（通过PRS）捕获了"自报种族"所贡献的大部分信号——这是一个支持按血统进行校准、而非把种族作为变量写入模型的论据。
延伸阅读
预印本可在medRxiv（10.64898/2026.06.22.26356280）上获取。关于"排得好"与"校得准"之间的区别——这正是本文的核心——参见我们对一个重视校准与临床效用的重症监护死亡率模型的解读；关于从其他角度将AI应用于卒中，参见一个与神经科医生预后相对照的深度学习模型以及一个用于卒中后死亡率的图网络。
编辑透明度：法文版由Tatakoto编辑部在阅读预印本的基础上撰写并署名。英文、西班牙文和中文译本借助AI辅助生成并经审校。