在循证医学快速发展的当下，预测模型在疾病诊断、预后判断等医疗决策中发挥着越来越重要的作用。无论是判断患者当前是否患病的诊断模型，还是预测未来疾病发生风险的预后模型，相关研究文献数量不断增多。但面对针对同一疾病或人群的众多模型，医疗从业者、政策制定者和研究者常常难以判断哪个模型更可靠、更适合特定场景。因此，对这些预测模型研究进行系统评价的需求日益迫切。
系统评价的核心环节之一，就是评估研究的偏倚风险（Risk of Bias, ROB）和结果的适用性。为解决这一需求，国际专家团队联合开发了PROBAST（Prediction model Risk Of Bias ASsessment Tool）——一款专门用于评估预测模型研究的标准化工具。今天，我们就来通俗地解读这款工具的核心概念和价值，为后续逐一拆解其四大评估领域做好铺垫。
PROBAST是什么？
PROBAST即“预测模型偏倚风险评估工具”，是通过专家共识形成的标准化评估工具，专门用于评估开发、验证或更新（如添加新预测因素）诊断性和预后性预测模型的原始研究。
该工具包含4个核心评估领域，共20个信号问题，通过结构化的提问引导使用者一步步判断研究是否存在偏倚，以及研究结果能否应用于特定人群和场景。它的设计参考了随机对照试验、诊断准确性研究等成熟评估工具的逻辑，保证了评估过程的科学性和可操作性。
最新版本的PROBAST清单、配套说明和实例可以在官网（www.probast.org）免费获取，方便使用者随时查阅参考。
PROBAST能评估哪些研究？
适用的预测模型类型
PROBAST主要评估“多变量预测模型”，这类模型会结合2个及以上的预测因素（比如年龄、性别、症状、检查指标等），为个体估算患病概率（诊断模型）或未来发生某种健康事件的风险（预后模型）。这类模型也常被称为风险预测模型、风险评分等。
• 诊断模型：判断个体当前是否患有某种疾病，研究对象通常是疑似患病但尚未确诊的人。
• 预后模型：预测个体未来一段时间内（从几小时到几年不等）发生某种健康事件的概率，比如死亡、疾病复发等，研究对象可以是已确诊患者，也可以是健康人群。
适用的研究类型
无论是新模型的开发、现有模型的验证，还是对旧模型的更新优化，只要涉及上述预测模型，都可以用PROBAST评估，包括：
1. 仅开发新预测模型的研究；
2. 同时包含模型开发和验证的研究；
3. 验证已有的预测模型是否有效的研究；
4. 对比新模型和旧模型效果的研究；
5. 给现有模型添加新预测因素或调整参数的研究。
不适用的研究类型
需要注意的是，PROBAST并非万能工具，以下研究不在它的评估范围内：
• 仅为寻找与疾病相关因素，而非构建预测模型的研究（如NOS、NIH-QAT）；
• 比较“使用某预测模型”和“不使用该模型”对患者健康影响的干预性研究（如ROB2、NIH-QAT）；
• 单纯评估诊断试验准确性的研究（这类研究有专门的评估工具，如QUADAS-2）。
核心概念：偏倚风险与适用性
使用PROBAST前，需要先搞懂两个关键概念，这是准确评估的基础：
1️⃣ 偏倚风险（Risk of Bias, ROB）
偏倚风险指研究设计、实施或分析过程中存在的系统性问题，可能导致模型的预测效果被高估或低估，影响研究结果的可靠性。
比如，测量预测因素时已经知道患者的最终结局、样本量太小导致模型“过度贴合”现有数据等，都可能引入偏倚。PROBAST通过信号问题识别这些潜在问题，最终判断研究的偏倚风险是“低”“高”还是“不清楚”。
2️⃣ 适用性
适用性指研究结果能否推广到你所关注的人群和场景，也就是研究的“适用范围”是否匹配你的需求。
举个例子：基于大医院重症患者开发的模型，可能不适用于社区医院的轻症患者；需要复杂检查才能获取预测因素的模型，在缺乏相关设备的基层医疗机构可能无法使用。这些情况都属于“适用性担忧”。PROBAST会从人群、预测因素、结局三个方面，判断适用性担忧是“低”“高”还是“不清楚”。
PROBAST在Meta分析中的作用
在预测模型的系统评价和Meta分析中，PROBAST的价值主要体现在三个方面：
1. 标准化评估：避免不同研究者因主观判断差异导致的评估结果不一致，让评估过程更客观；
2. 筛选高质量研究：通过偏倚风险评估，筛选出结果可靠的研究，为Meta分析提供坚实的证据基础；
3. 明确应用边界：通过适用性评估，帮助使用者判断整合后的证据能应用于哪些人群和场景，避免盲目套用模型。
接下来，我们会逐一拆解PROBAST的四大评估领域（参与者、预测因素、结局、分析），详细解读每个领域的评估要点、判断标准和实际例子。无论你是刚接触Meta分析的新手，还是需要优化研究方法的研究者，掌握PROBAST的使用都能帮你更科学地评估预测模型研究，产出更有价值的研究成果。
评论列表