Heart最近发表了一篇综述《Graphics and statistics for cardiology: clinical prediction rules》^[1]，作者以心血管风险评分（CVD risk factor）为例探讨了如何借助统计图优势构建疾病的预测模型，并提出了6个重要步骤。（表1）

表1. 疾病预测模型的构建

我们聊到风险评分模型的构建和评价，模型都建好了，是不是就可以马上就用了？答案是还不够。事实上，我们得到的是一个数学公式，总不能让临床大夫们都恶补一堆模型什么的，再人手拿一个科学计算器狂按吧。所以风险评分模型还必须方便应用和解释。

常见的风险评分应用一般有三种形式：

第一种，热图（heatmap），例如来自欧洲SCORE项目的10年致死性CVD风险评分（图1）^[2]。图1中，风险评分中关键变量——年龄、性别、收缩压、胆固醇以及是否吸烟被组合成热图，并且给出了每种色块的风险区间，颜色越深代表致死性CVD的患病风险越高。大家可以根据自身情况快速锁定色块，并且获知自己的患病风险。

图1. 高风险人群的致死性CVD10年风险预测（基于总胆固醇）

第二种，评分系统（points system），例如我们所熟知的Framingham风险评分（图2）^[3]。图2是将复杂的数学模型转化成一个评分系统，不同影响因素不同水平均有相应的评分，并且评分都可以相加和求和。总分越高，对应的患病风险越高。

图2. Framingham风险评分

第三种，列线图（nomogram），例如一项预测乳腺癌患者淋巴结转移可能性的研究（图3）^[4]。图3中Points提供每一个影响因素的评分尺度，例如肿瘤大小（MUCGRADE）Ⅰ为0分，Ⅱ为5分…将各影响因素的评分相加，查Total Points可以对应知道淋巴结转移的概率大小。

图3. 乳腺癌患者淋巴结转移风险预测

但是，上述的三种方式仅给出粗略的结果，现在更多是使用计算机应用，例如ASSIGN提供的网页工具（http://www.assign-score.com/estimate-the-risk/），勾选或输入自己的实际情况，立马就会得到你的患病风险评分（图4）。

图4. ASSIGN评分

解决了怎么通过风险评分计算患病风险，我们再来看看实际应用。一个风险评分要想真的应用，首先必须有一个阈值（有时候可能是多个阈值），即高于这个阈值，需要进行临床预防性干预。

如何看到设定不同阈值带来的效应，一个比较好用的方法是通过How-often-that-high图例如，图4展示了使用SHHEC数据获得的ASSIGN评分分布情况，横坐标是发生某结局事件的风险，左侧和右侧纵坐标分别是超过阈值的人群数和相应比例。从图5中能够快速方便的了解到基于不同的阈值，使用他汀类药物预防性治疗CVD预期结果。

图5. How-often-that-high图

比如，将阈值设定在10%，即风险评分≥10%，总人群中将会有超过1/5的女性需要他汀类药物治疗，但是相应的医疗负担将会增加至三倍。当然，如果把阈值设定在20%，相应需要治疗人数明显减少。因此，阈值的设定需要综合考虑治疗水平和治疗负担（绝对是一个技术活儿~~~）。例如，如果某种疾病治疗水平有限，预后较差，那么阈值定的太低，不仅不会改善人群健康，反而会增加人群经济负担。

当然，风险评分在应用时也存在局限性。风险评分是基于现有的数据资料拟合的预测模型，用以预测个体是否患有某种疾病的可能性。问题来了，随着时间的推移，人群是在不断变化的，使用某一个时间段人群资料建立的风险评分，还适不适合若干年后人群的疾病预测呢？显而易见，答案是不确定的。

例如，ASSIGN评分是基于SHHEC1984-1995年研究数据建立的，放到2017年的今天，可能就不太适合芬兰当地的人群疾病预测了。因此，风险评分并不是一成不变的，也需要根据实际情况适时地更新。

此外，风险评分是基于人群数据获得的预测模型，也就是说模型中所纳入的影响因素是对大多数人适用的，但是具体到个人，可能会出现不适用的情况。所以断不可照本宣科，一味死磕风险评分，应结合实际情况和风险评分综合考虑疾病的预测。

参考文献

1. Heart. 2017; 103:538-45.

2. Eur Heart J. 2003; 24:987-1003.

3. Stat Med. 2004; 23:1631-60.

4. Ann Surg Oncol. 2003;10:1140-51.