摘要：临床预测模型可视化是将复杂的模型结果转化为直观、易懂的图形或工具的过程，其核心目标是帮助临床医生、研究者和患者快速理解模型的预测逻辑、结果意义及应用方式。有效的可视化不仅能提升模型的可解释性，还能促进其在临床实践中的推广与应用。以下从常用可视化方法、适用场景及

在上一节，已经更新了临床预测模型建立，这节主要讲临床预测模型可视化。

临床预测模型可视化是将复杂的模型结果转化为直观、易懂的图形或工具的过程，其核心目标是帮助临床医生、研究者和患者快速理解模型的预测逻辑、结果意义及应用方式。有效的可视化不仅能提升模型的可解释性，还能促进其在临床实践中的推广与应用。以下从常用可视化方法、适用场景及关键注意事项展开详细讲解：

模型结构与变量关系的可视化

这类可视化聚焦于展示模型的组成（如纳入的变量）、变量间的关联及对结局的影响强度，帮助理解模型的 “内在逻辑”。

1. 森林图（Forest Plot）

（1）适用场景：展示多变量模型中各变量的效应大小（如回归系数、风险比 HR、优势比 OR）及置信区间，尤其适用于 Logistic 回归、Cox 模型等参数模型。

（2）核心内容：

①横轴为效应量（如 OR、HR），纵轴为模型纳入的变量；

②每个变量对应一条水平线（表示 95% 置信区间）和一个方块（表示效应量点估计，方块大小可反映权重或样本量）；

③通常包含一条垂直线（效应量 = 1，对应 “无效应”），若变量的置信区间不跨越该线，提示其效应具有统计学显著性。

（3）示例：在癌症预后模型中，森林图可直观展示 “年龄（HR=1.05，95% CI：1.02-1.08）”“肿瘤分期（HR=2.30，95% CI：1.80-2.95）” 等变量对复发风险的影响强度。

2. 变量重要性图（Variable Importance Plot）

（1）适用场景：展示机器学习模型（如随机森林、梯度提升树）中各变量对预测结果的贡献度，弥补其 “黑箱” 特性的不足。

（2）核心内容：

①横轴为重要性评分（如基于 Gini 不纯度减少量、置换重要性等指标计算），纵轴为变量名称；

②以条形图或点图形式排序展示，评分越高表示变量对模型预测的影响越大。

（3）注意事项：重要性评分仅反映模型中的统计贡献，需结合临床意义解读（如某变量评分高但无生物学关联，可能是数据偏差导致）。

3. 交互效应图（Interaction Plot）

（1）适用场景：当模型中存在交互项（如 “年龄 × 治疗方式” 对结局的影响）时，展示变量间的联合效应。

（2）核心内容：

①以折线图或分组散点图呈现，例如横轴为 “年龄”，纵轴为 “结局发生概率”，不同折线代表 “治疗方式 A” 和 “治疗方式 B”；

②若折线斜率差异明显，提示交互效应显著（如年轻患者对治疗 A 反应更好，老年患者对治疗 B 反应更好）。

个体风险预测的可视化

这类可视化聚焦于将模型应用于个体，输出直观的风险结果，便于临床决策或患者沟通。

1. 列线图（Nomogram）

（1）适用场景：最常用的临床预测模型可视化工具，尤其适用于 Logistic 回归、Cox 模型等参数模型，可直接计算个体的绝对风险。

（2）核心结构：

①包含多个平行的坐标轴，每个轴对应模型中的一个变量（如年龄、性别、实验室指标），轴上标注变量的取值范围；

②右侧有 “总分轴” 和 “风险轴”：通过每个变量的取值在对应轴上找到得分，累加得到总分，再通过总分在风险轴上读取个体的预测风险（如 “5 年生存率”“3 年复发风险”）。

（3）优势：

①操作简单：临床医生可通过 “查表” 式操作快速计算个体风险，无需复杂公式；

②直观易懂：患者可通过列线图理解自身各因素对风险的贡献。

（4）示例：癌症术后复发列线图中，患者年龄 60 岁对应 20 分，肿瘤直径 3cm 对应 30 分，总分 50 分对应 5 年复发风险 25%。

2. 风险预测分数表（Risk Score Table）

（1）适用场景：列线图的简化形式，将连续变量分段并赋予整数分值，通过累加总分对应风险等级（如低、中、高风险）。

（2）核心内容：

①表格左侧为变量及分段（如 “年龄 65 岁：5 分”）；

②表格右侧为 “总分 - 风险” 对应关系（如 “总分 0-3 分：低风险（30%）”）。

（3）优势：无需绘图，可直接印刷或嵌入电子病历系统，适合基层医疗场景。

3. 生存曲线（Kaplan-Meier Curve）

（1）适用场景：针对生存模型（如 Cox 模型），展示不同风险分组的生存概率随时间的变化。

（2）核心内容：

①横轴为时间（如 “术后月数”），纵轴为生存率（如 “无病生存率”）；

②多条曲线分别代表不同风险组（如基于模型分为低、中、高风险组），曲线下降越快表示风险越高；

③通常标注关键时间点的生存率（如 “3 年生存率：低风险组 80%，高风险组 40%”）及 log-rank 检验 P 值（判断组间差异是否显著）。

（3）注意事项：分组需基于模型预测结果（如按风险评分中位数或临床阈值划分），而非原始变量。

4. 风险热力图（Risk Heatmap）

（1）适用场景：当模型包含 2-3 个关键变量时，展示二维或三维空间中不同变量组合对应的风险分布。

（2）核心内容：

①以二维为例：横轴为变量 A（如 “肿瘤大小”），纵轴为变量 B（如 “Ki-67 指数”）；

②网格颜色深浅代表风险高低（如红色表示高风险，蓝色表示低风险），直观呈现 “肿瘤大且 Ki-67 高” 的患者风险最高。

模型性能评价的可视化

这类可视化聚焦于展示模型的预测性能（如区分度、校准度），帮助研究者或使用者判断模型的可靠性。

1. 受试者工作特征曲线（ROC 曲线）及 AUC

（1）适用场景：评价二分类结局模型的区分度（即模型区分 “发生结局” 与 “未发生结局” 的能力）。

（2）核心结构：

①横轴为假阳性率（1 - 特异度），纵轴为真阳性率（灵敏度）；

②曲线上每个点对应不同的风险阈值下的灵敏度和特异度，曲线越靠近左上角，模型区分度越好；

③曲线下面积（AUC）为量化指标：AUC=0.5 表示无区分能力，AUC>0.7 表示较好，AUC>0.8 表示优秀。

（3）扩展：针对时间依赖的结局（如生存模型），可绘制时间依赖 ROC 曲线，展示不同时间点（如 1 年、3 年）的区分度。

2. 校准曲线（Calibration Curve）

（1）适用场景：评价模型的校准度（即预测风险与实际风险的一致性）。

（2）核心结构：

①横轴为模型预测的风险概率，纵轴为实际观察到的风险（如通过分组计算的事件发生率）；

图中包含一条参考线（45° 对角线），表示 “预测风险 = 实际风险”；

②若模型的校准曲线与参考线重合或接近，说明校准度良好；若曲线在参考线上方，说明模型低估风险；若在下方，说明高估风险。

（3）统计辅助：通常会计算校准优度检验（如 Hosmer-Lemeshow 检验）的 P 值，P>0.05 提示校准度可接受。

3. 决策曲线（Decision Curve Analysis, DCA）

（1）适用场景：评价模型的临床净获益，判断模型是否优于 “所有患者均视为高风险” 或 “所有患者均视为低风险” 的极端策略。

（2）核心结构：

①横轴为 “阈值概率”（即临床中认为需要干预的风险临界值）；

②纵轴为 “净获益”（真阳性带来的获益减去假阳性带来的伤害）；

③图中通常包含三条线：模型的净获益曲线、“假设所有患者均发生结局” 的曲线、“假设所有患者均未发生结局” 的曲线；

④若模型曲线在某阈值范围内位于其他两条曲线上方，说明在该范围内模型具有临床应用价值。

（3）优势：突破传统性能指标（如 AUC）的局限，直接关联临床决策的实际获益，是判断模型是否 “有用” 的关键工具。

可视化的关键注意事项

1.目标导向：根据受众选择合适的可视化方式（如给研究者看森林图、校准曲线；给临床医生看列线图、决策曲线；给患者看简化的风险分数表）。

2.临床相关性：避免过度追求 “美观” 而忽略临床意义，例如列线图的变量顺序应按临床决策逻辑排列（如先人口学特征，再核心指标）。

3.准确性与透明度：图形需标注关键统计量（如置信区间、P 值、AUC 值），并在图例或说明中明确变量定义、风险单位等，确保可重复解读。

4.动态交互工具：结合现代技术开发动态可视化工具（如网页版风险计算器、手机 APP），用户可输入个体数据实时生成风险结果（如输入年龄、血压等指标，立即显示心脏病发作概率），提升实用性。

总结

临床预测模型的可视化是连接模型与实践的桥梁，其核心价值在于 “化繁为简”—— 将复杂的统计模型转化为临床可操作、可理解的工具。选择可视化方法时，需兼顾模型类型（参数模型 / 机器学习模型）、结局类型（二分类 / 生存结局）及受众需求，同时始终以 “临床实用性” 为导向，确保可视化结果能真正辅助决策而非增加理解负担。

1.单个问题答疑咨询。1对1答疑、小额付费、48小时内有效。

2.答疑咨询年度会员。一年365天时限内各种统计分析问题1对1答疑，性价比高。

3.购买视频课程赠送课程相关主题内容1对1答疑1年。

来源：两性生殖健康大全