跨医院预测重症监护室谵妄：什么能迁移，什么不能

倪圣量与佐藤健吾（东京科学院）在两个大型重症监护记录数据库上训练五类模型来预测 ICU 谵妄——eICU 汇集了美国 208 家医院的数据，MIMIC-IV 来自波士顿的单一中心——随后让模型跨数据库迁移，观察在更换医院后哪些能力得以保留。按风险对患者排序的能力迁移得较好（一个方向上外部 AUROC 高达 0.88–0.95），但概率校准和报警阈值却无法迁移。这条结论不是一个数字，而是一个区分：临床模型的"可迁移性"会分解为若干层，它们并不同步迁移；把良好的排序误当作可部署的工具，正是这项工作所拆穿的陷阱。

背景

谵妄是一种急性、波动性的注意力与意识障碍，在重症监护中非常常见，常被漏诊，并与更差的预后相关。它无法通过某项化验读出，而要靠反复的床旁评估工具来识别——CAM-ICU（重症监护意识模糊评估法）和 ICDSC（重症监护谵妄筛查清单）。预测模型之所以有吸引力，原因很简单：尽早标记高危患者，以加强监测与预防。

这类模型反复出现的问题是"分布漂移"：在一家医院训练的模型到别处表现更差，因为人群、记录习惯与疾病发生率各不相同。多数已发表的工作止步于内部验证（同一医院、留出数据），并报告一个好看的 AUC。倪与佐藤提出了一个更精细的问题：当模型真正更换数据库时，什么会退化，尤其是——所有方面都以同样方式退化吗？他们的回答是：可迁移性并非全有或全无，而是一叠层次——目标定义、风险排序、概率校准、报警策略——它们并不以相同的速度迁移。

方法

作者使用了两个公开的重症监护数据库。eICU 涵盖 28 321 次住院（2014–2015 年，美国 208 家医院的 335 个病区），即 2 496 432 个时间窗口；MIMIC-IV 涵盖波士顿单一中心的 49 828 次住院（2008–2022 年），即 5 881 343 个窗口。所谓"窗口"是模型根据患者近期病史来预测近期未来的一个时刻。主要目标是未来 4 小时内的持续性或复发性谵妄；若观察到的发作超过 48 小时，或在至少 48 小时间隔后再次出现，则该阳性点被计为持续性/复发性。

一个决定性的事实：谵妄评估稀疏且不均衡。有评估状态的窗口在 eICU 中仅占 15.3%，在 MIMIC-IV 中仅占 7.8%；在明确评估中，阳性比例在 eICU 为 9.5%，在 MIMIC-IV 为 29.6%——两家医院之间的发生频率相差近三倍。研究在 137 个特征（人口学、生命体征、化验、神经评分、药物、呼吸支持、观察过程变量）上比较了五类模型：LASSO 逻辑回归（稀疏线性）、XGBoost（提升决策树，非线性），以及三种序列模型——GRU、LSTM 与 Transformer——它们读取测量的时间顺序。验证是双向的：在一个数据库训练，在另一个数据库上不再训练直接评估（eICU→MIMIC-IV 与 MIMIC-IV→eICU），采用 70% / 15% / 15% 的划分，并把同一次住院的所有窗口保持在一起。参照比较对象是基于格拉斯哥昏迷量表（GCS）和 RASS 镇静评分的描述性曲线。

结果

在内部验证中，区分能力——把未来的阳性病例排在未来阴性之上的能力，以 AUROC（ROC 曲线下面积；0.5 为随机，1.0 为完美）衡量——较高：0.87–0.92。一旦更换数据库便下降：在"粗"标签上，外部 AUROC 视方向与模型降至 0.66 至 0.83 之间。在细化的持续性/复发性目标上，以住院为单位评分时排序表现更好：MIMIC-IV→eICU 方向外部 AUROC 为 0.88–0.95，而反方向仅为 0.76–0.89——可迁移性是不对称的。关键在于：在新发谵妄目标上（严格的全新病例），外部 AUROC 崩塌至 0.50–0.58，即随机水平。按风险分层仍保有用处：风险最高的十分位对未来病例的富集为基础频率的 2.4 至 6.9 倍。

这种区分能力从何而来？去掉全部既往评估历史后，外部 AUROC 下降 0.16 至 0.32 个点：模型在很大程度上依赖既往谵妄被记录下来的痕迹，而非原始生理。校准则无法迁移：预测概率与观察频率之间在不同数据库间没有共同的映射（一个方向上模型在高段高估，另一个方向上低估），且校准斜率因事件不足而过于不稳定，无法量化。最后，作者固定了一个双阈值复核策略（排除／复核／报警），并原封不动地套用到另一个数据库上。排除档非常安全——阴性预测值按方向为 99.8% 与 98.5%——但报警区仅捕获实际随后发生谵妄窗口的 9.2% 与 11.0%。用临床语言说：每十个即将转为谵妄的窗口，被冻结的报警层会漏掉约九个。该工具能可靠地让低风险患者安心，但当把别处选定的阈值原样搬来时，它作为早期报警器却相当平庸。

做得好的地方

在两个大型真实数据库上的双向交叉验证。在两个方向上训练并评估（eICU↔MIMIC-IV），涵盖数百万个窗口和五类模型，远超通常的内部验证。正是这种设计暴露了单向评估会掩盖的不对称性（一个方向 0.88–0.95，另一个方向 0.76–0.89）。

诚实且可操作的分层拆解。明确区分目标定义、排序、校准与报警策略，是一项有用的概念贡献：它表明一个模型可以在某项标准（排序）上"有效"，同时在另一项（校准或阈值）上不可用。这是一个可复现的框架，而不是口号。

揭示机制的消融分析。通过量化去除评估历史时的 AUROC 损失（0.16–0.32），作者说明了性能的来源：模型跟随的是被记录的轨迹，而非预测生物学上的发作。指出这一机制、而不是把它藏在高 AUC 之下，正是一项严肃工作应有的态度。

做得不足的地方

误导性的指标。0.90 的 AUROC 让人以为工具已就绪，然而校准无法迁移，被冻结的报警层每十个未来病例约漏掉九个。更糟的是，在严格的新发谵妄上，外部 AUROC（0.50–0.58）处于随机水平：漂亮的整体区分能力主要建立在已被记录的病例上，而非预测未来事件。仅凭区分能力，说明不了它在床旁的实用性。

受观察条件制约的估计量，接近捷径学习。由于谵妄评估稀疏（占窗口的 7.8–15.3%）且模型依赖其历史，它在一定程度上学到的是监测强度、临床医生的怀疑与记录习惯——而非疾病本身。作者也承认：该估计量以观察过程为条件，不应外推到未评估的时刻，也不应外推到真实的谵妄发生率。这是一种典型的失败模式——模型学到了与目标相关的捷径（监测痕迹）。

人群偏倚、比较对象薄弱、缺乏前瞻性。两个数据库间阳性率相差三倍（9.5% 对 29.6%），MIMIC-IV 为单中心，研究仅依赖两个回顾性的美国数据库。比较对象（GCS 与 RASS 曲线）只是描述性的，并非强参照。标签是操作性定义，而非经裁定的诊断。最重要的是，未证明任何前瞻性评估、临床获益或工作量收益——作者本人也强调了这一点。

它改变了什么

对研究界而言，这篇论文提供了一个"分层"验证模板，应成为最低标准：只报告外部 AUROC 已经不够，还必须在目标数据库中检验校准与决策策略。区分什么能迁移（排序）与什么不能（概率、阈值），解释了为何众多"已验证"的模型一旦部署便令人失望。

对临床医生与集成团队而言，信息很明确：在另一家医院显示良好 AUC 的模型并非即插即用。必须在本地数据上重新校准并重新选择阈值。排除档（阴性预测值约 99%）可用于分诊与安抚，但原样搬运的报警层会漏掉大多数病例——若当作报警使用，便是一种虚假的安全感。

对患者与公众而言，利害虽不可见却真实。ICU 谵妄常见，且可通过加强监测部分预防。校准不良的工具会因医院不同而报警过多或过少；一个引进模型在形式上的可靠，并不保证其在本地的准确。有用的教训是：要求这类工具在其真正将被使用的机构的数据上完成验证，校准与阈值都包括在内。

延伸阅读

该预印本可在 medRxiv（DOI 10.64898/2026.07.19.26358409）获取，由日本科学技术振兴机构（Japan Science and Technology Agency）资助，作者声明无利益冲突，采用 CC BY-NC-ND 4.0 许可。两个数据库均可通过 PhysioNet 向经认证的用户开放：eICU Collaborative Research Database 与 MIMIC-IV。关于临床背景，参见 CAM-ICU 与 ICDSC 筛查工具。