近年來，預測模型有點兒火，也著實可以理解。對未來「先知」，向來是人們追求的目標，古時稱為佔卜，現在謂之預測。疾病的發生、進展或者預後，我們一樣需要去對其進行預測，於是便出現了各式各樣的預測模型。隨著更大量數據的積累和各種算法的跟進，預測模型又有了「更多的原材料」和「更好的加工方法」。
預測的準不準，是評價預測模型好壞的關鍵。那麼準不準會受到哪些影響因素呢？個人覺得可能存在以下因素：1）對象與場景：即在哪些人中和何種環境下進行健康相關預測；2）指標和測量：即使用哪些指標進行預測，如對其進行測量；3）結局的選擇：即結局的測量以及金標準的選擇是否準確；4）算法的好壞：即模型採用的算法是否精當。5）現有的工具：預測模型研究的偏倚風險和適用性評估工具PROBAST。
1、對象與場景
我想建立一個工具：預測一個人什麼時候會得高血壓？我從我們醫院心內科選擇了1000名既往高血壓患者，打算隨訪10年，然後利用這些數據建立預測模型，預測健康人什麼時候會得高血壓。我如果這麼幹，你肯定說我瘋了。
關於研究對象和場景，就是要看你用來建立預測模型的研究對象和場景，是否「等同於」你未來需要應用的預測對象和場景。你在北極建模，你到赤道上去用模，我想大家都覺得這樣不合適。其實兩者間大致相等就行，不必完全一樣（這句是廢話，但我怕有人較真，說世界上沒有兩個完全一樣的西瓜。抱歉，後文中儘量少說廢話）
這樣在對象與場景中就涉及研究方案設計、研究對象選擇偏倚和疾病譜偏倚等問題。
2、指標和測量
用於預測的指標必須與預測的結局有關係，這事我覺得大家都能認可。同時預測的指標還不能完全等同於預測的結局，這個也好理解。我們總不能用血壓的測量數值去預測高血壓，對吧。
關鍵在於這些預測指標的測量是否標準化，比如採用統一的測量工具或手段、相同的測量間隔、恰當地盲法應用，同時注意某研究對象的測量結果缺失時應該放任不管，還是咋地？
3、結局的選擇
結局的選擇和測量要恰當。比如對膽結石的預測，採用膽囊造影來測量膽結石這一結局指標，就比手術證實膽結石要遜色一些，此種情況下不完美的測量方法導致不正確的估計。那如果採用手術證實的方法來測量膽結石呢，又會導致很多輕症患者並未得到證實，從而產生部分證實偏倚。那到底該選擇何種測量方法？這個還請相關領域多位專家來共同商定。
除此之外，對於結局測量失訪的研究對象應該如何處理？結局測量的時間點是否一致，如有的研究對象是1年後測量，有的是3年後測量？發生結局的人如果太少（如只有6個）怎麼辦？這些問題都值得研究者考慮。
4、算法的精當
預測指標有了，預測結局也選定了，那麼如何建立好預測指標和預測結局的關係就是模型成敗的關鍵了。好的算法能讓模型做到裡外都是人，就是對樣本（內）具有很好的解釋力度，對總體（外）也具有很好的應用價值。比如對結局指標是按照連續性數據來處理呢，還是按照分類變量來處理，還是按照分段函數來處理？是採用常用的回歸算法，還採用不同的機器學習算法呢？如上等等，都是問題。總之，算法千萬種，花哨不強求，思路若彩虹，結果自然牛。
5、現有的工具
國外同行業已總結了一個工具，叫預測模型研究的偏倚風險和適用性評估工具PROBAST。國內業界專家們也對次工具進行了詳細的介紹，詳見中華流行病學雜誌中《預測模型研究的偏倚風險和適用性評估工具解讀》一文。感興趣的讀者可以去下載閱讀。同時對此略作說明，偏倚風險評估工具和報告規範是兩件不同的事情，可簡單理解為：一個是看文章有沒有偏倚，一個是看文章寫得是否規範。
至此，本文討論了預測模型的偏倚風險相關問題，可略微總結為「對象場景要一樣，指標選擇求得當，結局選好要測準，算法最後添花樣」。顯然這些討論非常的不全面，作者也是拋磚引玉，僅供各位飯後消遣。