从医疗数据到疾病演变线索：纵向多模态专病研究的设计与验证

摘要

目的：说明医院常规诊疗数据如何转化为疾病演变研究材料，并建立从轨迹描述到风险预测、再到治疗比较的证据边界。方法：以膝关节疾病为说明性场景，提出患者—关节—就诊三级关联、基线及观察窗口定义、影像指标标准化、失访分析和时间外验证方案。框架产出：区分疾病变化、观测过程及治疗选择三类信息，建立功能恶化预测与治疗比较的不同研究路径。结论：纵向多模态数据可能提供单次检查未包含的信息，但其增量价值必须通过预先定义的对照和独立验证确认。本文不报告已建立的患者队列或已验证的诊疗模型。

关键词：纵向数据；多模态；疾病轨迹；膝关节；风险预测；目标试验

一　从过去到现在：研究对象首先是变化

单次影像反映一个观察时点的结构状态，连续影像与临床记录有机会揭示变化速度、症状与结构的不同步，以及干预前后观察到的差异。电子病历表征研究已展示利用多类记录进行预测的可行性，但特定研究中的表现不能外推为子殷模型的能力。^[6]

研究应首先提出可操作的问题。例如：在首次满足入组条件的膝关节疾病患者中，既往影像变化与症状变化的组合，是否能在既有基线指标之外，提高对随后固定时间窗内功能恶化的预测？“固定时间窗”在正式方案中根据随访可用性与临床意义选择，不能把不同患者的一年和五年结局直接混在一起。

二　三类问题需要三种结论

描述研究回答出现了哪些变化模式；预测研究回答利用当时可获得的信息能否估计未来结局；因果研究回答实施不同治疗策略会产生怎样不同的结果。模型能够预测某人后来接受置换，并不证明置换对他更有益。

本文建议第一阶段研究变化轨迹及功能结局，避免直接输出保膝或置换建议。若后续比较两种策略，须明确共同适用的人群、治疗策略、时间零点、随访和因果效应目标，并讨论指征混杂与可比性。目标试验框架可帮助组织设计，但不会使缺失的关键混杂变量自动出现。^[4]

三　队列建立与时间零点

建立连续候选患者清单，记录入组与排除理由。以患者标识关联就诊，以左右侧与解剖部位关联关节，以检查时间关联影像。双膝来自同一患者时，统计上保留聚类关系。可靠链接不足的资料进入待核查队列，不用模糊姓名匹配强行拼接。

基线可以定义为首次满足预设纳入条件且完成必要评估的就诊。基线前资料用于特征构建，基线后资料用于结局判定。需要区分事件发生时间、报告签署时间和系统可读取时间；晚补的病历即使描述早期事件，也不能未经检查就作为当时已知的预测输入。

历史轨迹需要一定观察长度，会筛出长期留在本院的患者，因此不能忽略选择偏倚。主分析可以在共同可比较人群中进行，同时报告缺少历史记录患者的比例及特征。数据筛选、编码和链接过程参照RECORD报告。^[1]

四　影像、症状与治疗如何对齐

影像层面记录模态、体位、负重状态、扫描与重建参数、测量方法和软件版本。不同条件下的角度、间隙或体积不能简单视作同一尺度的连续测量。图像配准用于建立对应关系，但配准误差本身也要评价，不能用算法形变制造虚假的疾病变化。

症状与功能层面使用临床团队确定且适合目标人群的量表，记录版本、测量时间及侧别。结构变化与功能变化分别报告。治疗层面记录实际干预、时间与依从性，而不是只看收费代码或手术名称。检查附近的症状记录须使用事前规定的匹配窗口，并对窗口改变做敏感性分析。

三维重建可以生成结构特征，但原始影像、自动分割、人工修订和最终测量要有版本关联。先估计重复测量及不同审核者的误差，再判断变化是否超出测量噪声。不得因生成了三维模型便假定其所有结构指标具有临床效度。

五　结局定义与失访

以功能恶化为主要结局时，应事先确定量表、观察窗口和具有临床意义的变化阈值，并由专科团队结合适用证据制定。疼痛变化、手术转归和结构进展可作为不同次要结局，不宜无依据地合成一个“好坏分数”。

没有再次来院不等于没有恶化。转院、死亡、停止随访和数据接口缺失要区分；对时间至事件分析考虑删失机制与竞争事件。缺失数据可以在可辩护的假设下插补或加权，并进行敏感性分析，但这些技术不保证消除非随机缺失造成的偏倚。

接受关节置换可作为医疗利用或治疗转归结局，但它同时受疾病、医生选择、患者偏好和服务可及性影响。若以此为标签，应明确模型研究的是“记录中的置换发生”，不能将其改写成“置换必要性”。

六　模型比较与验证方案

建立简单、可解释的基线模型，再依次加入历史变化、多模态特征和更复杂算法。先回答新增数据是否有用，再判断复杂模型是否提供额外收益。所有归一化、插补、特征选择及阈值调整仅在训练数据内完成，并嵌入交叉验证流程。

划分以患者为单位，同一患者所有时间点及双侧关节不得跨开发与测试集。锁定模型后采用较晚时间段进行时间外验证；有条件时在不同医院外部验证。外部再校准后需要明确区分原模型性能与更新模型性能，不在同一测试集反复调参后称其独立。

报告区分度、校准、总体误差、不同亚组表现及不确定性；仅有较高AUC不足以说明临床可用。若明确了行动阈值及误判代价，可用决策曲线研究潜在净获益，但它仍不能替代实际临床实施试验。^[5] 预测报告与偏倚评价分别参考TRIPOD+AI和PROBAST+AI。^[2][3]

七　样本量与分析计划

不采用固定“有几百例就足够”的判断。样本量取决于结局发生率、模型复杂度、目标性能精度和外部验证需求。首先用不接触验证结局的可行性调查估计数据完整性，再由统计团队设计样本量；事件不足时缩小模型复杂度或延长资料积累。

纵向描述可以从预先指定的混合效应或轨迹模型开始，并检查非线性、个体差异与观测频率的影响。数据驱动分群需检验稳定性，不能仅因分成三组就宣称存在三种真实疾病亚型。预测研究预先确定主要结局和性能比较，探索性亚组另列，避免反复筛选只报告有利结果。

八　子殷的实施位置与阶段成果

子殷可以承担影像整理、重建与结构测量、版本留痕和证据定位；医院专科团队负责临床问题、表型与结局定义，信息团队负责授权范围内的数据关联与访问，统计团队负责分析方案和偏倚判断。各方职责并不等于已经获得某家医院的全库授权。

第一阶段应交付数据字典、链接质量报告、缺失地图与少量可追溯轨迹，证明资料适合回答所选问题；第二阶段才形成锁定的预测与验证方案；第三阶段根据独立验证结果决定是否开展前瞻性静默评价。研究阶段不将输出用于替代个体治疗决策。

九　讨论与结论

把历史数据连接起来提供了新的观察方式，但数据库记录的是被就医与测量过程选择过的疾病轨迹。检查更频繁的人可能病情更复杂，也可能仅仅更容易获得服务；算法容易学习到这种记录机制。研究者必须同时研究疾病过程和观察过程。

纵向多模态研究的可信度来自时间顺序清楚、结局定义可靠、测量可比和外部验证充分。其目标是形成可重复检验的疾病演变线索。能否改善实际治疗决策和患者结局，仍需后续独立研究。

研究透明性声明

本文为方法与拟实施方案，膝关节场景仅用于说明研究设计，不包含患者数据、样本数量或实验结果。未取得的伦理批准、数据授权及临床验证均不视为已完成。作者与子殷科技存在直接业务利益关联，写作使用AI辅助；正式研究应另行登记方案、资金来源、贡献及伦理信息。