再入院与多重慢病：一个在知道结局之前先学会"读懂病人"的自监督模型
纽卡斯尔大学、伦敦玛丽女王大学与伯明翰大学团队（AI-MULTIPLY 联盟）构建了 Self-HR：模型先在没有标签的情况下学会"概括"99 207 名至少患有两种慢性病的英国患者的病历，再专门用于预测出院后 30 天内的急诊再入院。在该队列上，它取得 AUROC 0.92，明显优于 XGBoost 和各监督网络，并在第二个独立数据库的 79 224 名患者上完成外部验证；尤其是，当一半标签缺失时它依然稳健，而传统模型此时会崩溃。结果是真实的，但大部分信号来自入院诊断本身，且一切都建立在一个代表性有限的英国人群的回顾性数据之上。
背景
非计划性再入院——出院后不久因急症再次入院——既是质量指标，也是重要的成本来源。在英国，30 天再入院率从 2014 年的约 12.5% 升至 2021 年的 15.5%，这些再入院占 NHS 急诊入院费用的近 19%；多达 48% 被认为可能可预防。由此产生了一个反复出现的设想：在出院时标记出高风险患者，以便有针对性地加强随访。
问题在于，多数现有工具是为单一疾病设计的，泛化能力差。最常用的 LACE 指数，AUROC 上限仅为 0.60–0.68；此前的机器学习模型也很少超过 0.70。然而受影响最大的患者，恰恰是同时患有多种疾病者——即多重慢病（此处定义为至少两种长期慢性病），伴随多重用药和照护的复杂性。这正是作者所针对的人群，他们依托两个大型英国数据库：用 UK Biobank（UKBB）开发模型，用 Clinical Practice Research Datalink（CPRD）在不同人群上进行验证。
方法
Self-HR 基于自监督学习（self-supervised learning）：模型不是直接学习预测再入院，而是先在没有任何结局标签的情况下，学会压缩并重建每位患者的病历。技术上这是一个自编码器（autoencoder）——网络把每份病历编码为一个 50 维的紧凑表示（即嵌入，embedding，一个概括患者的数值向量），再试图从这个概括重建输入，并最小化重建误差。这一阶段迫使模型构建一个"潜在空间"，使临床上相似的患者彼此靠近。之后，在第二阶段，这一表示才用再入院标签进行微调（fine-tuning），输出"是/否"的概率。
每位患者由 1296 个变量描述，分为四组：人口学与生活方式数据（年龄、性别、族裔、Townsend 贫困指数、吸烟、饮酒、BMI）；入院前两年的基层医疗处方（按英国 BNF 分类编码）；本次（索引）入院的主要诊断，按 ICD-10 编码（仅保留合计覆盖 90% 诊断的编码，最罕见者视为缺失）；以及对 204 种所列慢性病各设一个二值指示。目标是 30 天内的急诊再入院，依据 NHS 的入院方式编码识别。
为衡量 Self-HR 的贡献，作者将其与在相同数据上训练的四个完全监督模型比较：随机森林、XGBoost（一种梯度提升方法，表格数据上的标杆），以及两个神经网络（简单版与复杂版）。队列高度不平衡——UKBB 中每名再入院者约对应 5.95 名未再入院者（再入院率 14.4%）——因此需要合适的指标：除 AUROC（ROC 曲线下面积，区分再入院者与非再入院者的能力）外，还用 AUPRC（精确率-召回率曲线下面积，在不平衡情形下信息量大得多）和再入院类的 F1 分数（精确率与召回率的调和平均）。
结果
在 UKBB 上，Self-HR 优于所有监督模型：AUROC 0.92、AUPRC 0.75，再入院类 F1 为 0.72（精确率 0.82，召回率 0.75）。在这一少数类——唯一具有临床意义的类别——上差距明显：XGBoost 与简单网络的 F1 仅为 0.27 与 0.42，XGBoost 在再入院类上的召回率跌至 0.16，也就是说十次再入院里漏掉八次以上。在 CPRD（79 224 名患者，25.4% 再入院）上的外部验证证实了这一趋势，仅有可度量的下降：再入院类 AUROC 0.86、F1 0.67。
最有用的结果是对标签缺失的稳健性。仅用一半的再入院标签训练时，Self-HR 在 UKBB 上的 F1 仅从 0.72 降到 0.62，而作为参照的监督网络则从 0.42 崩到 0.28。这正是自监督的核心论据：从全部可得数据中学习有用表示，能减少对完整标注的依赖，而完整标注在临床中既昂贵又稀缺。最后，消融研究毫不含糊地表明信号来自何处：去掉入院诊断，AUPRC 从 0.75 塌到 0.28，F1 从 0.72 塌到 0.17；基层处方居第二位（F1 从 0.72 到 0.45）。
但换成临床视角，需保持分寸。在 1000 名出院的多重慢病患者中，约有 140 人会在 30 天内急诊再入院。以所报告的精确率和召回率（0.82 与 0.75）计，Self-HR 会标记出约 105 人，漏掉约 35 人，代价是约 23 次误报。这远胜 LACE 指数，但远非一张完美的网——而且该数字描述的是区分性能，并不回答此处未处理的问题：所显示的概率是否经过良好校准。
做得好的地方
瞄准多重慢病并进行样本外验证。多数再入院模型只针对单一疾病；本研究聚焦至少患有两种慢性病的患者，直面真正的高风险人群。尤为重要的是，性能在第二个独立数据库（CPRD）上得到复现，而后者在性别和族裔上比 UKBB 更为多样、更为均衡——这种外部验证是许多同类工作所省略的，也是防止对单一来源过拟合的最佳保障。
标签效率是一项实实在在的优势。在监督网络崩溃时，模型在 50% 标签下仍能保持，这并非细节：在临床实践中，标注良好的结局既稀缺又昂贵。一个先从未标注数据中学到大部分内容、再在小规模标注集上专门化的模型，更契合医疗系统的现实。此外，同一编码器仅通过再微调即可迁移到回归任务（预测住院时长），无需重新训练。
发布干净而透明。预印本以 CC BY 4.0 许可发布；经费来自公共资金（NIHR），作者声明无利益冲突。系统的消融研究清楚地揭示了预测力所在——以及不在之处——并有一个患者伙伴小组（PPIE）参与其中。正是这类规范，让结果可核验、可复用。
做得不够的地方
明显的人群偏倚（选择偏倚）。模型是在 UK Biobank 上开发的，而该库以其健康志愿者偏倚著称：入组时年龄 40–69 岁，比一般人群更健康、更富裕，且 94% 为白人族裔。如此缺乏代表性的队列削弱了泛化能力，尤其是对最贫困和非白人人群——恰恰是再入院风险往往最高的群体。在更为多样的 CPRD 上验证缓解了这一点，却无法消除，因为全部开发与阈值都建立在 UKBB 之上。
入院诊断主导一切：是捷径而非风险画像。消融结果无可辩驳——去掉入院诊断，性能便崩溃。这在临床上说得通（再入院往往反映索引疾病的复发），但也意味着模型主要"读"的是入院原因。这接近捷径学习（shortcut learning）：模型在很大程度上捕捉的是诊断编码所承载的严重程度，而非一个丰富且潜在可干预的风险画像。信息泄漏的风险也值得警惕，因为最具预测力的变量与所要预测的事件本身高度关联。
间接的比较对象、讨喜的指标、且毫无前瞻性。它所超越的模型（LACE 为 0.60–0.68，文献为 0.65–0.70）并未在同一队列上正面重跑：该比较汇集了定义与人群各异的研究，机械地放大了差距（有偏比较对象）。AUROC 0.92 是最好卖的数字，但在一个仅 14% 为阳性的任务上，说出实际情况的是 AUPRC 0.75（误导性指标）。文中未报告任何校准、任何前瞻性评估或影响性试验：而再入院评分的历史表明，若下游干预跟不上，一个精确的模型并不会机械地降低再入院。
它改变了什么
对研究界而言，本研究为在表格化、不平衡、标注不完整的健康数据上采用自监督提供了有力论据，且其编码器可在不同任务间复用。接下来的步骤不言自明：测量校准，按族裔与社会经济亚组分析性能，在同一队列上重跑比较对象，尤其是走出 UKBB，面向更具代表性的人群。
对临床医生而言，今天不会有任何改变：这是一个研究模型，尚未部署，也没有监管许可。有用的提醒有两点：所报告的性能高度依赖入院诊断；而且预测不等于预防——一个评分，即便再好，也只有与有效的出院干预（用药核对、密切随访、社区支持）相结合才有价值。
对患者和公众而言，其承诺是清晰的：在出院时标记出最脆弱的人，以便更好地照护他们。但在泛化上必须谨慎，因为训练人群的多样性有限；这样的工具不应原封不动地移植到另一个卫生系统而不重新验证。而一旦有朝一日被用于引导诊疗决策，它就应作为医疗器械软件接受监管。
延伸阅读
预印本见 medRxiv（DOI 10.64898/2026.08.01.26359453），采用 CC BY 4.0 许可，属于由 NIHR 资助的 AI-MULTIPLY 项目。作为背景，可参阅有关 LACE 指数及再入院评分局限性的文献，以及关于 UK Biobank 健康志愿者偏倚、以及 AUPRC 在高度不平衡临床任务中价值的研究。