临床预测模型作图的10个关键细节

引言Introduction

临床预测模型不是“建出来”就够了，很多论文卡在作图这一步。图做得不规范，模型再好也会显得不可信，甚至影响审稿判断。对于医学生、医生和科研人员来说，真正的难点往往不是算法，而是如何把模型结果清晰、准确、可发表地呈现出来。

1. 先明确作图目的，再决定图形类型

1.1 图不是装饰，是模型信息的承载方式

临床预测模型作图，核心不是“好看”，而是“能否回答问题”。不同图形承担的任务不同。列线图回答“如何个体化预测”，ROC曲线回答“区分度如何”，校准曲线回答“预测准不准”，DCA回答“临床获益值不值”。

如果图形和研究目的不匹配，整篇文章的逻辑会松散。 例如，做生存预测模型却只放一个静态ROC图，往往不足以支撑临床应用价值。

1.2 先定结局，再定展示顺序

作图前要先统一结局类型。常见有二分类结局、生存结局、竞争风险结局。不同结局对应的图形不一样。

• 二分类结局常用ROC、校准曲线、DCA。
• 生存结局常用KM曲线、time-dependent ROC、校准曲线、C指数、列线图。
• 竞争风险结局常用累积发生率曲线、竞争风险列线图、时间依赖AUC。

先定义结局，再绘图，是减少返工的第一步。

2. 列线图要保证变量顺序和临床逻辑一致

2.1 变量排序会影响读者理解

列线图是预测模型最常见的呈现形式之一。它把回归方程转成可视化评分系统，便于临床快速估计风险。很多人只关注美观，却忽略了变量排序本身会影响阅读路径。

通常建议把最重要、最稳定、临床最容易解释的变量放在前面。这样更符合医生的思维习惯，也便于读者快速抓住主效应。

2.2 要避免刻度过密和信息拥挤

列线图的常见问题是信息堆得太满。变量太多，刻度太密，读者根本无法准确读取分值。尤其当连续变量直接入模时，分值轴很容易显得拥挤。

经验上，列线图更适合展示少量高质量变量。 如果变量过多，建议考虑重新筛选，或转为网页计算器、在线工具进行补充展示。

3. 连续变量处理方式要与作图一致

3.1 分组和连续建模不能混用思路

连续变量是临床预测模型中最容易出问题的部分。很多研究在建模时把变量连续化处理，但作图时又强行分组，导致结果表达前后不一致。

如果建模阶段用的是连续变量，作图阶段也应尽量保留连续信息。
如果确实进行了分组，分组依据必须在方法中交代清楚。比如基于临床阈值、四分位数、X-tile或最佳截点法。

建模与作图的变量形式必须一致。 否则读者会怀疑模型的稳健性。

3.2 过度分组会损失预测信息

从统计学角度看，把连续变量硬切成几组，会减少信息量，也可能引入人为阈值偏差。尤其在样本量不大的研究里，这种做法会削弱模型性能。

因此，在不影响临床解释的前提下，建议尽量保留连续变量信息，并通过图形辅助解释，而不是靠粗暴分组来“简化”模型。

4. ROC图要区分静态ROC和时间依赖ROC

4.1 二分类ROC不能替代生存ROC

这是临床预测模型作图里最常见的误区之一。二分类ROC适用于明确的单一结局。生存资料有时间维度，不能直接用普通ROC替代。

生存模型更适合使用时间依赖ROC，分别展示1年、3年、5年等不同时间点的AUC。这样才能反映模型在不同随访时点的表现。

如果研究的是生存结局，只放一张普通ROC图，通常是不够的。

4.2 AUC不能单独说明模型好坏

AUC高，说明区分度较好，但不等于临床上就一定有用。很多模型在训练集AUC很高，到了外部验证集就明显下降，提示可能存在过拟合。

因此，ROC图最好和校准曲线、DCA一起展示。
这样可以同时回答三个问题：

1. 能不能分开高低风险人群。
2. 预测值是否接近真实值。
3. 临床干预是否值得。

5. 校准曲线要关注偏离方向，而不是只看是否“贴线”

5.1 校准曲线体现的是预测准确性

校准曲线的横坐标是预测概率，纵坐标是实际发生概率。理想状态下，曲线应尽量接近45度参考线。很多作者只会写“曲线接近参考线，说明模型良好”，但这还不够。

还要看偏离发生在哪个风险段。比如低风险段偏高估，高风险段偏低估，说明模型在不同人群中的误差并不一致。

校准曲线不是“贴线就行”，而是要看偏离模式。

5.2 训练集、验证集、外部集都应展示

如果条件允许，校准曲线应尽量在训练集、内部验证集和外部验证集中分别绘制。这样能看出模型是否稳定。

对于临床研究，外部验证尤其重要。因为它更接近真实应用场景。
一个只在训练集表现好、在外部集明显失真的模型，临床推广价值有限。

6. DCA图要解释临床净获益，而不是只展示曲线

6.1 DCA是连接统计和临床的关键图

DCA，决策曲线分析，近几年在预测模型论文中越来越常见。它的价值在于回答：在某个阈值概率下，用这个模型指导干预，是否比“全治”或“全不治”更有收益。

DCA不是炫技图，而是临床可用性图。 它直接影响审稿人对“模型有没有实际意义”的判断。

6.2 阈值概率范围要合理

DCA图的解读不能脱离临床场景。阈值概率过低或过高，都不一定有实际意义。真正有价值的是，模型在临床可接受的决策区间内，净获益是否更高。

如果一个模型的DCA曲线在合理阈值范围内始终贴近无收益线，说明它虽然可能有统计学意义，但临床价值有限。

7. 风险分层图要让分组真正服务于临床决策

7.1 风险分组要有清晰cutoff

风险分层图、risk score图或风险矩阵图，常用于展示模型如何把患者分为高低风险组。这里的关键是cutoff的来源必须合理。

常见方式包括中位数、最佳截点、临床阈值。不同方法会导致不同分层效果。
cutoff不能随意选，也不能只为了让P值更显著。

7.2 分层后要能和生存曲线联动

仅有风险分层图还不够。最好同时给出KM曲线或累积发生率曲线，验证高低风险组在结局上确实拉开差异。

如果分层后曲线差别不明显，说明分层方法可能不够稳健。
这时就要重新审视变量选择、模型形式和阈值设定。

8. 图形美化要克制，不能牺牲科学表达

8.1 配色要统一，避免视觉噪音

很多论文的问题不是图不够美，而是太花。颜色过多、线条过粗、字体不统一、图例位置混乱，都会降低专业感。临床论文更适合简洁、规范的视觉风格。

建议遵循以下原则：

• 同一类图保持同一色系。
• 训练集、验证集、外部集颜色固定。
• 参考线、置信区间、主曲线要有明确区分。
• 字体大小统一，避免局部过大或过小。

8.2 分辨率和版式必须满足投稿要求

很多图在电脑上看没问题，投稿后却模糊、变形、压缩严重。常见原因是导出格式不规范。通常建议优先使用高分辨率矢量图或高质量位图，确保打印和在线阅读都清楚。

图形质量是投稿门槛，不是可选项。

9. 图注和方法学说明要对应，不能只画不解释

9.1 图注要写清楚样本、时间点、指标

很多作者把图做完就结束了，但审稿人真正看的往往是图注和方法描述。图注至少要说明：

• 图中包含哪些数据集。
• 使用了哪些时间点。
• 计算了哪些指标，如AUC、C指数、校准结果。
• 置信区间如何表示。
• 风险分组依据是什么。

图注不清，图本身再好也会显得不完整。

9.2 方法部分要和图一一对应

如果正文说用了bootstrap 1,000次重抽样，图里就应能看出验证逻辑。
如果方法写了外部验证，图中就不应只出现训练集结果。
如果做了竞争风险模型，就不能用普通KM图替代核心分析。

图、表、方法之间必须形成闭环。
这是临床预测模型文章能否过审的关键之一。

10. 从作图到发表，最重要的是让模型“可解释、可验证、可转化”

10.1 好图必须服务于真实临床问题

临床预测模型作图的最终目标，不是让论文看起来复杂，而是让临床问题变得可回答。模型是否能推广，取决于是否有清晰的临床场景、足够的数据支撑、稳定的验证结果，以及规范的图形表达。

真正有价值的图，不是信息最多的图，而是最能帮助医生做决策的图。

10.2 用专业工具把复杂结果讲清楚

如果你正在准备临床预测模型论文，图形规范、结果展示和模型转化往往是最耗时的环节。对初学者来说，真正难的不是“画出一张图”，而是把列线图、ROC、校准曲线、DCA和风险分层图统一到同一个逻辑框架里。

这也是为什么很多团队会借助解螺旋这类专业平台，把作图流程、统计思路和论文呈现标准化。当模型结果能够被规范表达，论文更容易通过审稿，临床价值也更容易被看见。

总结Conclusion

临床预测模型作图，看似是展示环节，实际上决定了论文的专业度和可信度。列线图要清晰，ROC要用对类型，校准曲线要看偏离，DCA要讲临床获益，风险分层要有依据，图注和方法还必须对应。
把图画对，模型才真正“可发表、可解释、可转化”。 如果你正在做临床预测模型研究，建议从作图规范开始建立完整流程。需要更高效地完成论文呈现，也可以借助解螺旋的专业支持，让你的模型结果更快走向发表与应用。