长时程诊断预测中二元分类的局限性及离散时间事件史分析的优势：基于电子健康记录的实证研究

针对电子健康记录(EHR)中患者随访不一致导致的右删失问题，研究人员比较了二元分类(BC)与时间-事件(TTE)方法在自闭症、ADHD等长时程诊断预测中的表现。研究发现离散时间神经网络(DTNN)能有效消除删失分布偏差，其AUCt 和APt 指标显著优于BC模型，为临床预测模型开发提供了更优方法学选择。

　　

在医疗大数据时代，电子健康记录(EHR)已成为临床预测研究的重要数据源。然而患者随访的不一致性导致大量右删失数据，这对长时程疾病预测（如自闭症、注意力缺陷多动障碍(ADHD)等）带来巨大挑战。传统二元分类(BC)方法因无法区分真实发病概率与充分随访概率，导致预测结果存在系统性偏差。虽然通过出生年份(YOB)或随访时长(t)等筛选策略可部分缓解此问题，但会显著减少样本量并引入新的偏倚。

为解决这一关键方法学问题，杜克大学健康系统的研究人员开展了一项开创性研究，系统比较了BC与时间-事件(TTE)方法在四种临床条件（自闭症、ADHD、复发性中耳炎(ROM)和食物过敏(FA)）预测中的表现。研究创新性地采用离散时间神经网络(DTNN)框架，通过Duke大学健康系统2014-2023年的EHR数据，对57,701例患者进行分析。论文发表在《JMIR AI》杂志，为临床预测模型开发提供了重要方法学参考。

研究采用三项关键技术：1)基于Word2Vec的医学概念嵌入预训练，将ICD-10诊断代码、药物(RxNorm)、操作(CPT)和实验室(LOINC)数据转化为256维向量；2)共享编码器架构设计，包含嵌入层、全连接层和全局平均池化层；3)差异化预测头设计，DTNN采用带Softmax的全连接层输出时间区间概率，BC和深度Cox比例风险(DCPH)模型分别预测对数几率和对数风险比。研究采用时间依赖性AUC_t
和AP_t
作为主要评估指标，通过100次bootstrap计算95%置信区间。

研究结果部分，"患者特征"显示数据集包含43,536例合格患者，自闭症和ADHD诊断年龄中位数分别为3.75岁和6.22岁，显著晚于ROM(1.57岁)和FA(2.01岁)。"性能指标分析"显示DTNN_YOB≤2020
在自闭症(t=5年)和ADHD(t=7年)预测中的AUC_t
分别达0.70和0.72，显著优于BC模型(0.60和0.47)。"半合成删失实验"证实BC模型在人工删失ROM数据上表现显著恶化，而DTNN保持稳定性能。

"亚组分析"揭示重要发现：BC模型预测概率与随访时长呈正相关，而DTNN能准确反映临床流行病学趋势。例如DTNN预测自闭症概率逐年上升(2.24%-2.79%)，与全国趋势一致；ROM预测概率2014-2017年下降(与肺炎球菌疫苗推广相关)，2018-2020年回升(与COVID-19大流行相关)。人口学分析显示DTNN准确捕捉到自闭症在男性、黑人中的高发率，以及ADHD在白人中的高发率等已知流行病学特征。

讨论部分强调，该研究首次系统揭示了BC模型在长时程预测中的固有局限：1)无法区分真实发病与充分随访概率；2)预测概率与随访时长呈虚假正相关；3)随时间推移预测概率不合理下降。相比之下，DTNN具有三大优势：1)不假设特定参数形式，允许协变量效应随时间变化；2)直接预测时间区间内无事件概率；3)能准确反映真实临床流行趋势。虽然DCPH表现优于BC，但其比例风险假设在长时程预测中常被违背，导致亚组分析结果不一致。

该研究的临床意义在于：1)为处理EHR右删失数据提供了方法学指导；2)证明DTNN可实现早期准确预测(AUC_t
≥0.7)；3)模型预测能反映真实流行病学趋势，支持精准公共卫生决策。未来研究可扩展至更多医疗系统，纳入更丰富临床数据，并探索更精细的亚组分析。这项研究为改进临床预测模型树立了新标杆，将推动医疗人工智能向更精准、更可靠的方向发展。