心臟移植供體分配的預(yù)測模型準(zhǔn)確性驗證演講人CONTENTS引言：心臟移植供體分配的緊迫性與預(yù)測模型的價值預(yù)測模型準(zhǔn)確性驗證的理論基礎(chǔ)模型驗證的方法學(xué)體系：從技術(shù)到實踐的深度融合臨床實踐中的驗證挑戰(zhàn)與應(yīng)對策略技術(shù)革新對驗證準(zhǔn)確性的提升路徑倫理與人文視角下的驗證維度目錄心臟移植供體分配的預(yù)測模型準(zhǔn)確性驗證01引言：心臟移植供體分配的緊迫性與預(yù)測模型的價值引言：心臟移植供體分配的緊迫性與預(yù)測模型的價值作為一名長期深耕于器官移植領(lǐng)域的臨床研究者，我深刻見證著心臟移植終末期心臟病患者“生死時速”般的生存困境。全球每年約有數(shù)百萬心力衰竭患者等待心臟移植，但供體心臟數(shù)量僅能滿足約10%的需求。這種供需懸殊的矛盾，使得供體分配的科學(xué)性、公平性與時效性直接關(guān)系到患者的生存希望與醫(yī)療資源的優(yōu)化配置。傳統(tǒng)的供體分配多依賴醫(yī)師經(jīng)驗與靜態(tài)評分系統(tǒng)（如UNOS/I級評分、Eurotranscore評分），然而，面對患者病情的動態(tài)變化、供體心臟質(zhì)量的異質(zhì)性以及移植后風(fēng)險的復(fù)雜性，傳統(tǒng)方法逐漸顯露出預(yù)測精度不足、主觀偏倚大、無法實現(xiàn)個體化決策等局限。近年來，隨著人工智能與機器學(xué)習(xí)技術(shù)的發(fā)展，預(yù)測模型通過整合多維度數(shù)據(jù)（如患者臨床特征、供體心臟參數(shù)、免疫匹配指標(biāo)等），為供體分配提供了更精準(zhǔn)的決策支持。例如，基于深度學(xué)習(xí)的模型可預(yù)測患者移植后1年生存率，引言：心臟移植供體分配的緊迫性與預(yù)測模型的價值風(fēng)險回歸模型能動態(tài)評估供體-受體匹配度，這些工具在理論上可提升分配效率、降低等待死亡率。然而，模型的準(zhǔn)確性驗證是連接算法開發(fā)與臨床應(yīng)用的“生命線”——未經(jīng)嚴(yán)格驗證的模型不僅無法實現(xiàn)預(yù)期價值，甚至可能因錯誤決策導(dǎo)致患者錯失移植機會或移植失敗，引發(fā)倫理爭議與醫(yī)療風(fēng)險。因此，本文將從理論基礎(chǔ)、方法學(xué)體系、臨床挑戰(zhàn)、技術(shù)革新與倫理維度，系統(tǒng)闡述心臟移植供體分配預(yù)測模型的準(zhǔn)確性驗證，以期為模型的科學(xué)應(yīng)用與持續(xù)優(yōu)化提供參考。02預(yù)測模型準(zhǔn)確性驗證的理論基礎(chǔ)1驗證的必要性：從“算法黑箱”到“臨床信任”的橋梁在臨床實踐中，任何預(yù)測模型的價值均需通過準(zhǔn)確性驗證來證明。心臟移植供體分配模型的特殊性在于其決策后果的不可逆性——一次錯誤的分配可能導(dǎo)致受體死亡或供體浪費，而一次延遲的分配則可能讓高優(yōu)先級患者失去生存機會。我曾參與過一項多中心研究，回顧性分析某早期分配模型的應(yīng)用效果：模型對“低風(fēng)險患者”的移植后生存預(yù)測準(zhǔn)確率達85%，但對“高風(fēng)險合并癥患者”的誤判率高達32%，導(dǎo)致部分患者因被“過度評分”而錯配供體，最終在等待中死亡。這一案例警示我們：模型的準(zhǔn)確性驗證絕非“可有可無”的技術(shù)步驟，而是對患者生命、醫(yī)療資源與行業(yè)信譽的莊嚴(yán)承諾。2核心驗證指標(biāo)：區(qū)分度、校準(zhǔn)度與臨床實用性預(yù)測模型的準(zhǔn)確性需通過三個核心維度綜合評估：2.2.1區(qū)分度（Discrimination）：模型區(qū)分“事件”與“非事件”的能力區(qū)分度衡量模型能否準(zhǔn)確識別出將發(fā)生特定結(jié)局（如移植后死亡、等待期間死亡）的患者，常用指標(biāo)為受試者工作特征曲線下面積（AUC-ROC）。AUC值越接近1，區(qū)分度越高；通常認為AUC>0.7具有臨床價值，>0.8為優(yōu)秀。例如，在評估供體心臟缺血時間對受體存活的影響時，若模型的AUC=0.82，表明其能較好地區(qū)分“因缺血時間過長導(dǎo)致移植失敗”與“移植成功”的患者。2核心驗證指標(biāo)：區(qū)分度、校準(zhǔn)度與臨床實用性2.2.2校準(zhǔn)度（Calibration）：模型預(yù)測概率與實際概率的一致性校準(zhǔn)度關(guān)注預(yù)測結(jié)果的“真實性”，即模型給出的“移植后1年生存率90%”的患者，其實際生存率是否接近90%。常用評估方法包括：-校準(zhǔn)曲線（CalibrationPlot）：將患者按預(yù)測概率分組，比較各組平均預(yù)測概率與實際發(fā)生率（如通過Kaplan-Meier法計算）；-Hosmer-Lemeshow檢驗：通過χ2檢驗判斷預(yù)測值與觀察值的擬合度（P>0.05提示校準(zhǔn)良好）。我曾遇到一個典型案例：某模型預(yù)測“中度肺動脈高壓患者”的移植后生存率為85%，但實際生存率僅70%，校準(zhǔn)曲線顯示高估風(fēng)險，最終通過調(diào)整肺動脈壓力參數(shù)的權(quán)重改善了校準(zhǔn)度。2核心驗證指標(biāo)：區(qū)分度、校準(zhǔn)度與臨床實用性2.2.3臨床實用性（ClinicalUtility）：模型能否指導(dǎo)實際決策區(qū)分度與校準(zhǔn)度是基礎(chǔ)，但臨床決策更關(guān)注“模型能否改善患者結(jié)局”。常用方法包括決策曲線分析（DCA），通過計算不同閾值概率下模型凈獲益，判斷其是否比“全治療”或“全不治療”策略更優(yōu)。例如，若某模型推薦“僅對預(yù)測生存率>75%的患者進行移植”，其凈獲益高于傳統(tǒng)經(jīng)驗決策，則具臨床實用性。3驗證階段的邏輯遞進：從內(nèi)部到外部的“層層把關(guān)”壹模型的準(zhǔn)確性驗證需遵循“內(nèi)部驗證-外部驗證-時間驗證”的遞進邏輯，確保結(jié)果的穩(wěn)健性與泛化能力：肆-時間驗證：針對醫(yī)療環(huán)境變化（如新型免疫抑制劑應(yīng)用、供體獲取技術(shù)進步），驗證模型在“未來時間”的預(yù)測效果，避免“歷史數(shù)據(jù)依賴”導(dǎo)致的偏差。叁-外部驗證：在獨立中心、不同人群或不同時間點的數(shù)據(jù)集中驗證，檢驗?zāi)Ｐ偷姆夯芰?；貳-內(nèi)部驗證：在模型開發(fā)的數(shù)據(jù)集內(nèi)評估，避免過擬合（如通過bootstrap重抽樣、交叉驗證）；03模型驗證的方法學(xué)體系：從技術(shù)到實踐的深度融合模型驗證的方法學(xué)體系：從技術(shù)到實踐的深度融合3.1內(nèi)部驗證：控制過擬合與“自我欺騙”的“第一道防線”過擬合是模型開發(fā)中的常見陷阱——模型在訓(xùn)練數(shù)據(jù)中表現(xiàn)完美（如AUC=0.95），但在新數(shù)據(jù)中卻表現(xiàn)糟糕（如AUC=0.65）。內(nèi)部驗證的核心是模擬“新數(shù)據(jù)”場景，常用方法包括：1.1交叉驗證（Cross-Validation）-K折交叉驗證：將數(shù)據(jù)集隨機分為K份（如K=10），輪流取K-1份訓(xùn)練、1份驗證，重復(fù)K次后取平均性能。這種方法適用于中小樣本數(shù)據(jù)，能有效減少數(shù)據(jù)劃分的偶然性。-留一法交叉驗證（LOOCV）：樣本量為N時，每次留1個樣本驗證，其余N-1個訓(xùn)練，適用于極小樣本（如罕見病模型），但計算成本較高。1.2Bootstrap重抽樣通過有放回抽樣重復(fù)生成“訓(xùn)練集-驗證集”組合（通常抽樣1000次），計算驗證指標(biāo)的平均值與95%置信區(qū)間。Bootstrap不僅能評估模型性能，還能通過“632+法則”校正過擬合——結(jié)合訓(xùn)練集誤差（占63.2%）與驗證集誤差（占36.8%），給出更穩(wěn)健的性能估計。在我的團隊開發(fā)“供體心臟質(zhì)量預(yù)測模型”時，我們曾對200例供體數(shù)據(jù)采用10折交叉驗證，初始模型的AUC為0.89，但bootstrap校正后降至0.81，提示存在輕微過擬合，最終通過增加L2正則化項優(yōu)化了模型結(jié)構(gòu)。1.2Bootstrap重抽樣2外部驗證：檢驗“跨場景泛化能力”的“試金石”內(nèi)部驗證僅能證明模型在“特定數(shù)據(jù)”中的有效性，而外部驗證是模型走向臨床應(yīng)用的“通行證”。外部驗證的關(guān)鍵在于驗證數(shù)據(jù)集的獨立性——需來自不同地域、不同種族、不同醫(yī)療中心，或包含不同時間段的病例（如驗證集數(shù)據(jù)晚于訓(xùn)練集數(shù)據(jù)）。2.1外部驗證的“三要素”010203-人群異質(zhì)性：驗證人群需與目標(biāo)人群在關(guān)鍵特征上存在差異（如年齡分布、合并癥比例），例如，開發(fā)集為“成人患者”，驗證集需包含“老年患者”或“先天性心臟病患者”；-數(shù)據(jù)可比性：驗證集的變量定義、測量方法、收集流程需與開發(fā)集一致（如“肺動脈壓力”統(tǒng)一采用右心導(dǎo)管測量值，而非超聲估測值）；-結(jié)局完整性：驗證集的隨訪時間需足夠長（如心臟移植模型至少需隨訪1年），且結(jié)局事件（如死亡、再移植）的判定標(biāo)準(zhǔn)需統(tǒng)一。2.2外部驗證的“失敗案例”與反思我曾參與評估某國際知名團隊開發(fā)的“心臟移植受者生存預(yù)測模型”，其開發(fā)集（歐洲5中心）的AUC達0.88，但在我們中心（亞洲3中心，包含更多糖尿病、腎功能不全患者）驗證時，AUC驟降至0.71。通過分析發(fā)現(xiàn)，模型未納入“東亞人群腎功能不全對免疫抑制劑代謝的影響”這一關(guān)鍵變量，提示外部驗證需關(guān)注人群特異性特征，避免“一刀切”式的模型推廣。2.2外部驗證的“失敗案例”與反思3時間驗證：應(yīng)對“醫(yī)療環(huán)境動態(tài)變化”的“動態(tài)校準(zhǔn)”醫(yī)療實踐并非靜態(tài)——新型免疫抑制劑（如他克莫司緩釋劑）的應(yīng)用、ECMO（體外膜肺氧合）技術(shù)的普及、供體獲取標(biāo)準(zhǔn)的調(diào)整，都可能改變患者結(jié)局的分布。時間驗證的核心是檢驗?zāi)Ｐ驮凇拔磥頃r間”的預(yù)測性能，常用方法為“時間分割驗證”：將數(shù)據(jù)按時間順序分為“歷史開發(fā)集”與“近期驗證集”（如2015-2019年開發(fā)，2020-2023年驗證）。例如，我們團隊在2018年開發(fā)了“供體缺血時間耐受性模型”，歷史開發(fā)集的AUC為0.85，但在2021-2023年的驗證集中，因ECMO預(yù)處理技術(shù)的普及，供體心臟在缺血時間>6小時后的存活率提升15%，模型AUC降至0.78。通過將“ECMO預(yù)處理”作為新變量納入，模型性能恢復(fù)至0.83，提示時間驗證是模型持續(xù)優(yōu)化的“風(fēng)向標(biāo)”。04臨床實踐中的驗證挑戰(zhàn)與應(yīng)對策略1數(shù)據(jù)異質(zhì)性：多中心協(xié)作與標(biāo)準(zhǔn)化的“破局之道”心臟移植供體分配數(shù)據(jù)的異質(zhì)性是驗證面臨的首要挑戰(zhàn)：不同中心的病例納入標(biāo)準(zhǔn)（如是否接受臨時機械循環(huán)支持）、數(shù)據(jù)采集方式（如電子病歷結(jié)構(gòu)化程度）、隨訪完整性（如失訪率）存在顯著差異。例如，歐美中心對“供體心臟年齡”的上限多為65歲，而部分亞洲中心因供體短缺放寬至70歲，若直接合并數(shù)據(jù)，會導(dǎo)致“年齡”變量的偏倚。應(yīng)對策略：-建立標(biāo)準(zhǔn)化數(shù)據(jù)采集流程：采用統(tǒng)一的數(shù)據(jù)字典（如CTRC-A標(biāo)準(zhǔn)），明確變量定義（如“嚴(yán)重肺動脈高壓”定義為靜息肺血管阻力>4Wood單位）、測量方法（如“左心室射血分數(shù)”需通過心臟MRI確認）；-多中心數(shù)據(jù)共享與隱私保護：通過聯(lián)邦學(xué)習(xí)技術(shù)，在不共享原始數(shù)據(jù)的情況下，在本地中心訓(xùn)練模型后聚合參數(shù)，既保護患者隱私，又整合多中心數(shù)據(jù)；1數(shù)據(jù)異質(zhì)性：多中心協(xié)作與標(biāo)準(zhǔn)化的“破局之道”-分層分析與亞組驗證：針對不同中心、不同人群的亞組進行分層驗證，識別模型在不同場景下的性能差異（如“老年患者亞組”“再次移植患者亞組”）。2模型泛化能力：從“單一病種”到“復(fù)雜合并癥”的拓展傳統(tǒng)心臟移植模型多針對“單一終點”（如移植后生存率），但臨床實踐中，患者常合并多重問題（如腎功能不全、肝功能異常、肺部感染），這些合并癥不僅影響移植結(jié)局，還與供體分配優(yōu)先級直接相關(guān)。例如，合并腎功能不全的患者需優(yōu)先考慮“腎-心聯(lián)合移植”或“供體心臟腎功能匹配”，單一生存預(yù)測模型無法滿足此類復(fù)雜決策需求。應(yīng)對策略：-開發(fā)多終點聯(lián)合預(yù)測模型：同時預(yù)測“移植后生存率”“移植后腎功能恢復(fù)情況”“感染并發(fā)癥發(fā)生率”等多個終點，通過多任務(wù)學(xué)習(xí)（Multi-taskLearning）提升模型對復(fù)雜合并癥的捕捉能力；-構(gòu)建動態(tài)更新機制：利用在線學(xué)習(xí)算法，當(dāng)新病例（如合并罕見合并癥的患者）數(shù)據(jù)積累到一定量時，自動觸發(fā)模型更新，提升對罕見情況的預(yù)測能力；2模型泛化能力：從“單一病種”到“復(fù)雜合并癥”的拓展-人機協(xié)同決策：模型提供概率預(yù)測，臨床醫(yī)師結(jié)合患者具體情況（如合并癥的可逆性、治療意愿）進行最終決策，避免“模型絕對化”導(dǎo)致的偏倚。3動態(tài)驗證需求：從“靜態(tài)評估”到“實時監(jiān)測”的升級心臟移植供體分配是動態(tài)過程——患者病情可能因感染、心功能惡化而急劇變化，供體心臟質(zhì)量信息（如術(shù)中冠脈造影結(jié)果）也可能在獲取后才明確。靜態(tài)驗證（如僅用基線數(shù)據(jù)評估）無法反映這種動態(tài)性，導(dǎo)致模型在實際應(yīng)用中出現(xiàn)“滯后”或“偏差”。應(yīng)對策略：-開發(fā)實時驗證系統(tǒng)：將模型嵌入醫(yī)院信息系統(tǒng)（HIS），當(dāng)患者數(shù)據(jù)更新時（如新發(fā)感染、BNP水平升高），自動觸發(fā)模型重新預(yù)測，并生成“動態(tài)風(fēng)險報告”；-引入時間依賴性驗證指標(biāo)：采用“時-dependentAUC”或“累積動態(tài)AUC（iAUC）”，評估模型在不同時間點的預(yù)測性能（如“等待30天內(nèi)死亡風(fēng)險”“移植后6個月內(nèi)死亡風(fēng)險”）；-建立“模型性能預(yù)警”機制：當(dāng)連續(xù)3個月的預(yù)測誤差超過預(yù)設(shè)閾值（如校準(zhǔn)斜率<0.8），自動觸發(fā)模型審查，排查數(shù)據(jù)質(zhì)量下降或醫(yī)療環(huán)境變化等因素。05技術(shù)革新對驗證準(zhǔn)確性的提升路徑技術(shù)革新對驗證準(zhǔn)確性的提升路徑5.1機器學(xué)習(xí)算法的迭代：從“傳統(tǒng)統(tǒng)計”到“深度學(xué)習(xí)”的跨越傳統(tǒng)預(yù)測模型（如邏輯回歸、Cox比例風(fēng)險模型）可解釋性強，但對非線性關(guān)系的捕捉能力有限。深度學(xué)習(xí)模型（如循環(huán)神經(jīng)網(wǎng)絡(luò)RNN、卷積神經(jīng)網(wǎng)絡(luò)CNN、Transformer）通過多層特征提取，能更好地處理高維、非結(jié)構(gòu)化數(shù)據(jù)（如心臟超聲影像、心電圖信號），為驗證提供更豐富的信息。例如，我們團隊嘗試將“供體心臟超聲動態(tài)圖像”輸入3D-CNN模型，提取心肌運動特征，與傳統(tǒng)臨床參數(shù)（如左室射血分數(shù)、室壁運動評分）聯(lián)合構(gòu)建“供體心臟質(zhì)量預(yù)測模型”，相比傳統(tǒng)模型，外部驗證的AUC從0.79提升至0.86。但深度學(xué)習(xí)模型的“黑箱”特性也給驗證帶來挑戰(zhàn)——需結(jié)合可解釋性AI（XAI）技術(shù)（如SHAP值、LIME），明確模型決策的關(guān)鍵特征（如“二尖瓣反流程度”對預(yù)測結(jié)果的貢獻度），確保臨床可理解性。2多模態(tài)數(shù)據(jù)融合：從“單一維度”到“全景視角”的拓展心臟移植供體分配的準(zhǔn)確性依賴于多維度數(shù)據(jù)的綜合判斷：患者的臨床數(shù)據(jù)（如年齡、合并癥）、免疫學(xué)數(shù)據(jù)（如PRA抗體水平）、供體心臟的生理數(shù)據(jù)（如冠脈造影、心肌酶譜）、甚至社會支持數(shù)據(jù)（如家庭照護能力）。多模態(tài)數(shù)據(jù)融合通過整合異構(gòu)數(shù)據(jù)，提升模型對復(fù)雜決策場景的覆蓋度。技術(shù)實現(xiàn)路徑：-早期融合：將不同模態(tài)數(shù)據(jù)在輸入層拼接，通過共享層提取特征，適用于數(shù)據(jù)維度較低、模間相關(guān)性強的場景（如臨床數(shù)據(jù)+免疫數(shù)據(jù)）；-晚期融合：為每個模態(tài)構(gòu)建獨立子模型，在輸出層通過加權(quán)或投票整合結(jié)果，適用于模態(tài)間獨立性強的場景（如臨床數(shù)據(jù)+影像數(shù)據(jù)+基因組數(shù)據(jù)）；2多模態(tài)數(shù)據(jù)融合：從“單一維度”到“全景視角”的拓展-跨模態(tài)注意力機制：通過注意力權(quán)重動態(tài)調(diào)整不同模態(tài)的特征重要性（如“對老年患者，年齡與合并癥權(quán)重更高；對年輕患者，免疫匹配權(quán)重更高”），實現(xiàn)“個體化特征融合”。5.3真實世界數(shù)據(jù)（RWD）的應(yīng)用：從“理想研究”到“真實世界”的回歸傳統(tǒng)模型驗證多依賴隨機對照試驗（RCT）數(shù)據(jù)，但RCT的嚴(yán)格納入標(biāo)準(zhǔn)（如排除合并癥患者、統(tǒng)一治療方案）與真實世界存在差距。真實世界數(shù)據(jù)（電子病歷、醫(yī)保數(shù)據(jù)、患者報告結(jié)局等）具有樣本量大、覆蓋人群廣、反映實際醫(yī)療流程的優(yōu)勢，能更客觀地評估模型的臨床實用性。RWD驗證的關(guān)鍵步驟：2多模態(tài)數(shù)據(jù)融合：從“單一維度”到“全景視角”的拓展-數(shù)據(jù)清洗與標(biāo)準(zhǔn)化：通過自然語言處理（NLP）技術(shù)從非結(jié)構(gòu)化電子病歷中提取關(guān)鍵信息（如“術(shù)中主動脈阻斷時間”“術(shù)后免疫抑制劑用法”），并標(biāo)準(zhǔn)化編碼；01-混雜因素控制：采用傾向性評分匹配（PSM）、工具變量法（IV）等方法，減少選擇偏倚（如“優(yōu)先移植年輕患者”導(dǎo)致的混雜）；02-長期結(jié)局追蹤：通過區(qū)域器官移植登記系統(tǒng)、醫(yī)保數(shù)據(jù)庫等長期隨訪患者結(jié)局，驗證模型的遠期預(yù)測性能（如“移植后5年生存率”）。0306倫理與人文視角下的驗證維度1公平性驗證：避免“算法偏見”與“健康不平等”預(yù)測模型的準(zhǔn)確性不僅關(guān)乎技術(shù)指標(biāo)，更關(guān)乎倫理公平性。若模型訓(xùn)練數(shù)據(jù)中某人群（如女性、老年人、少數(shù)民族）樣本量過少，可能導(dǎo)致對該人群的預(yù)測偏差，進而影響供體分配公平性。例如，早期模型因納入更多男性患者數(shù)據(jù)，對女性患者“移植后排斥反應(yīng)”的預(yù)測準(zhǔn)確率顯著低于男性，導(dǎo)致女性患者等待時間更長。公平性驗證策略：-亞組性能評估：按年齡、性別、種族、社會經(jīng)濟地位等分組，比較各組模型的AUC、校準(zhǔn)度、凈獲益是否存在顯著差異（如通過DeLong檢驗比較AUC差異）；-偏見量化與校正：采用“平等機會差異（EqualOpportunityDifference）”“demographicparity”等指標(biāo)量化偏見，通過重新加權(quán)樣本、增加少數(shù)群體數(shù)據(jù)或引入公平性約束項（如Fairness-awareLearning）校正偏見；1公平性驗證：避免“算法偏見”與“健康不平等”-多利益相關(guān)者參與：邀請倫理學(xué)家、患者代表、政策制定者參與模型驗證，從倫理視角評估結(jié)果的公平性，避免“技術(shù)至上”導(dǎo)致的忽視。2透明度與可解釋性：從“黑箱決策”到“陽光決策”的保障心臟移植供體分配涉及患者生命，決策過程必須透明可解釋。若模型無法說明“為何推薦某供體給某患者”，臨床醫(yī)師與患者難以信任其結(jié)果，也無法進行倫理審查與知情同意。提升透明度的驗證方法：-可視化決策路徑：通過“決策樹”“特征重要性熱圖”等工具，直觀展示模型的關(guān)鍵預(yù)測因素（如“該患者預(yù)測生存率90%，主要因肺動脈壓力<25mmHg、無糖尿病史”）；-臨床一致性檢驗：對比模型預(yù)測與臨床專家共識的一致性（如“模型推薦‘優(yōu)先移植’的病例中，80%以上專家同意”），驗證模型是否符合臨床邏輯；-患者報告結(jié)局（PRO）整合：在驗證中納入患者對分配決策的接受度、滿意度等指標(biāo)，確保模型結(jié)果符合患者價值觀（如“部分患者更關(guān)注術(shù)后生活質(zhì)量而非單純生存期”）。3患者參與驗證：從“被動接受”到“主動共建”的轉(zhuǎn)變傳統(tǒng)模型驗證多為“研究者主導(dǎo)”，患者作為“被預(yù)測對象”缺乏參與。然而，患者對自身病情、治療偏好、生活質(zhì)量的理解是模型決策中