想象你是一位“慢病气象台”台长，你的辖区里有三位特殊的“天气系统”：糖尿病像反复无常的气温，忽高忽低让人难以捉摸；心衰像一座不断蓄水的水库，水位一旦越过堤坝就会“决堤”；COPD（慢性阻塞性肺疾病）则像逐渐浑浊的空气，呼吸的滤网一天天堵塞。每当病情将要恶化，你就得提前发出预警，让患者和医生先一步行动——这就是慢病管理预测建模要做的事。 要实现这个目标，你需要一套完整“气象预报体系”：先从电子病历中收集各种“气象观测数据”（特征工程），再训练懂得看趋势的“预报员”（时序建模），接着让预报员分别盯着血糖、心衰指标和肺功能这三条“天气线”（三种慢病专项模型），最后把风险翻译成蓝、黄、橙、红四级预警（风险分层与干预）。整篇文章将带你完整体验“慢病气象台”从搭建到运转的全过程。

岗位关联

掌握慢病预测建模，你将具备从临床数据到决策支持的全链路能力，成为医疗 AI 团队中连接数据与临床的关键角色，用预测为慢病患者提前画出健康轨迹。

目录
  1. 可视化演示
  2. 特征工程与数据
  3. 时序建模基础
  4. 糖尿病预测
  5. 心衰预测
  6. COPD预测
  7. 风险分层与干预
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示糖尿病、心衰、COPD三种慢病的风险分层对比，以及从特征工程到时序预测再到干预建议的完整建模流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

三种慢病风险分层对比 糖尿病(DM)：HbA1c+BMI+家族史，AUC达0.82 心衰(HF)：BNP+射血分数+年龄，AUC达0.85 COPD：FEV1+吸烟史+年龄，AUC达0.78 高风险患者占15-25%，需优先干预 Risk = f(features, time_series) 风险分层驱动精准慢病管理。

特征工程与数据

一座气象台的第一件事，是建好观测站。气温计、湿度计、雨量计各司其职，源源不断地记录着大气的每一个细微变化。“慢病气象台”的观测站，就是医院里那些厚厚的电子病历。血糖化验单、心脏超声报告、肺功能检查记录，就像一座座精密仪器，忠实地反映了身体的“天气”。

但观测站的仪器再好，数据也必须经过整理才能派上用场。电子病历中的信息大多是自由文本和杂乱的数值记录，不能直接送入预测模型。特征工程就像是给气象数据做“质量检查与刻度校准”——把原始读数统一成标准格式，才能输入预报系统。

特征工程包括几个关键步骤。第一步是信息抽取，用自然语言处理（NLP）技术从病历文本中提取结构化指标，比如从“患者主诉胸闷气短”中抽取症状标签。第二步是缺失值处理，临床上大量记录不完整，可用均值插补或前向填充补全。第三步是时序特征构造，对血糖这类反复测量的数据，用滑动窗口计算均值、标准差等统计量，刻画波动规律。第四步是样本标签定义，把“未来 6 个月内是否发生急性事件”作为预测目标。最后还要做标准化，让不同量纲的特征可比：

当观测站的读数全部校准成统一刻度，气象台就有了可靠的“数据底座”——接下来，预报员才能在这些数据上施展预测的本事。

z=x−μσ\displaystyle z = \frac{x - \mu}{\sigma}
标准化把不同量纲的临床指标统一到同一“刻度”上，让模型不被数值大小误导。
  1. x 单个患者的原始化验值就像某一时刻温度计的原始读数，比如空腹血糖 7.8 mmol/L。不同指标单位各异，直接比较会“以数值大者为准”。
    xx
  2. μ 全部样本的均值相当于“历史同期平均气温”。用 x 减去 μ，得到个体相对平均水平的偏离量。
    μ=1n∑i=1nxi\displaystyle \mu = \frac{1}{n}\sum_{i=1}^{n}x_i
  3. σ 全部样本的标准差表示数据的波动范围。除以 σ，把偏离量换算成“多少个波动单位”，消除量纲影响。
    σ=1n∑i=1n(xi−μ)2\displaystyle \sigma = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_i - \mu)^2}

时序建模基础

有了观测站的标准化数据，气象台还需要一群经验丰富的“预报员”。气象预报员从不只看某一天的单一读数，他们会盯着连续几天的趋势图，判断暖锋还是冷锋正在逼近。慢病预测同样如此——病情是一个随时间演化的过程，单看一次血糖值毫无意义，关键是看它在几周内的走势。

最简单的时间序列模型是指数平滑，它像一位记性极好的预报员：既记得昨天的实际天气，也保留着昨天预报的判断，两者按信任度加权形成新判断。其预测公式如下：

指数平滑只能捕捉线性趋势，真实病情演化往往更复杂。更强大的预报员是长短期记忆网络（LSTM）——它用遗忘门、输入门、输出门三个“闸门”控制信息的丢弃、写入与读取，能在数十个时间步长上记住关键病史，直接对序列建模。若目标不是“下个点是多少”，而是“何时发生急性事件”，则用生存分析模型（如 Cox 回归），它能巧妙地把“尚未发生事件就失访”的删失数据也纳入训练。从简单平滑到 LSTM，从常规回归到生存分析，预报员队伍逐渐齐整，准备接管三条“天气线”。

y^t+1=αyt+(1−α)y^t\displaystyle \hat{y}_{t+1} = \alpha y_t + (1-\alpha)\hat{y}_t
  1. ŷ_{t+1} 下一时刻的预测值预报员对明天的判断，比如未来一周内血糖均值的走势。
    y^t+1\hat{y}_{t+1}
  2. y_t 当前时刻的实际观测值今天温度计读到的真实气温，代表最新、最可信的信息。
    yty_t
  3. α 平滑系数预报员“相信新数据”的程度。α=0.8 表示 80% 相信今天的实测、20% 保留旧判断。
    α\alpha
  4. (1-α)ŷ_t 旧预测的惯性保留防止预测被单次异常值带偏，兼顾稳定性与敏感性。
    (1−α)y^t(1-\alpha)\hat{y}_t

糖尿病预测

在慢病气象台负责的三大天气系统中，糖尿病像是沙漠里反复无常的“气温”。清晨还风平浪静，午后就可能酷热难耐；一顿饭的功夫，血糖就能从正常飙升到危险区间。预报员的任务，是提前嗅出“极端高温”（高血糖）或“极端低温”（低血糖）的苗头。

临床上最常用的“气温计”是糖化血红蛋白（HbA1c），它能反映近三个月血糖的平均水平，相当于记录“历史平均气温”的档案。但要预报“明天会不会热浪来袭”，还需要更细的时序指标——空腹血糖均值、餐后血糖峰值、血糖波动幅度，这些构成了糖尿病的时序特征集。把特征喂给逻辑回归模型，就能得到“未来 6 个月发生并发症”的概率：

逻辑回归模型像一位冷静的“气温预报员”，不追求花哨，只凭各因素的权重加权就能划出高低风险的界线。更妙的是，β 权重本身就能告诉医生“哪些因素最该管”——预测之外，模型还递上了干预的线索。

P(y=1∣x)=11+e−(β0+∑i=1nβixi)\displaystyle P(y=1|x) = \frac{1}{1 + e^{-(\beta_0 + \sum_{i=1}^{n}\beta_i x_i)}}
  1. P(y=1|x) 并发症发生的概率对应“明天下雨的概率 70%”，此处 y=1 表示出现糖尿病并发症。
    P(y=1∣x)P(y=1 \mid x)
  2. x_i 第 i 个特征如 HbA1c、血糖波动幅度、BMI、年龄、运动频率等观测站读数。
    xix_i
  3. β_i 特征权重每个特征对风险贡献的大小。血糖波动幅度的权重越大，说明波动越能决定风险。
    βi\beta_i
  4. β_0 截距项基线风险对数，代表所有特征为零时的基础风险。
    β0\beta_0
  5. e^{-z} 压缩函数把任意实数压缩到 0 到 1 之间，形成 S 形概率曲线。
    e−(β0+∑βixi)e^{-(\beta_0 + \sum \beta_i x_i)}

心衰预测

与糖尿病这匹“野马”不同，心衰更像一座不断蓄水的水库。心脏这架老水泵一旦动力不足，体液就会像洪水一样滞留在体内，水位越涨越高。当“水位”突破堤坝（急性心衰发作），患者就要被迫住院抢救。

预报员监测“水位”的利器是脑钠肽 BNP——心脏压力越大，释放越多，堪称心衰的“水标尺”；超声测得的射血分数 LVEF 则是“水泵效率”的直接读数。然而心衰管理最痛的问题是“出院 30 天又住回来”，因此模型常以“30 天内再入院”为标签，综合 BNP、LVEF、年龄、肌酐、住院次数等特征，构建临床常用的线性加权评分：

把水库各处的压力传感器读数汇总，形成一张“体检表”，医生一眼就能看出哪位患者的水位正在悄悄逼近警戒线——这正是心衰预测建模的核心价值。

RiskScore=∑i=1nwixi\displaystyle \text{RiskScore} = \sum_{i=1}^{n} w_i x_i
  1. RiskScore 心衰再入院风险分水库的“总压”。分数越高，堤坝越危险。
    RiskScore\text{RiskScore}
  2. x_i 第 i 个临床特征BNP 值、LVEF 百分比、肌酐、年龄等读数。
    xix_i
  3. w_i 权重系数各特征对风险的贡献比例。BNP 权重通常最高，因为它是心衰恶化的核心标志物。
    wiw_i
  4. 求和符号把各项风险加总成总分，再经校准映射到风险等级。
    ∑i=1n\sum_{i=1}^{n}

COPD预测

慢病气象台的第三块业务是 COPD（慢性阻塞性肺疾病）——它像一个老化的空气净化器，滤网一天天变厚，出风量逐年下降。患者稍微受点凉、吸点霾，就可能引发“急性加重”，一阵剧烈的喘息，像雾霾红色警报突然降临。

肺功能检查中，第一秒用力呼气容积（FEV1）与用力肺活量（FVC）的比值，是评估“滤网堵塞程度”的核心指标。预测急性加重的关键特征还包括：过去一年的加重次数、吸烟史、空气污染暴露、血氧饱和度趋势、是否规律使用长效支气管扩张剂。其中 FEV1 的下降速率，是最直观的病情恶化信号：

预报员为每个 COPD 患者装配一台“空气质量监测仪”，实时追踪 FEV1 的变化斜率。一旦下滑曲线异常陡峭，“雾霾警报”就会提前拉响，提醒患者提前用药或避开污染环境。

Rate=FEV1t2−FEV1t1t2−t1\displaystyle \text{Rate} = \frac{\text{FEV1}_{t_2} - \text{FEV1}_{t_1}}{t_2 - t_1}
  1. FEV1_{t_1}、FEV1_{t_2} 两次随访的 FEV1 读数分别代表一年前与现在的“出风量”。
    FEV1t1,  FEV1t2\text{FEV1}_{t_1}, \; \text{FEV1}_{t_2}
  2. t_2 - t_1 两次随访的时间间隔通常以年为单位，用来衡量变化速度。
    t2−t1t_2 - t_1
  3. Rate 下降速率负值越大，说明肺功能恶化越快，急性加重风险越高。
    Rate\text{Rate}

风险分层与干预

预报员最终的价值，不在于说出“明天 37 摄氏度”，而在于拉响恰当的警报。慢病气象台把风险分数翻译成蓝、黄、橙、红四级预警，每一级对应不同的干预策略。风险分层公式很简单——把归一化的风险分数映射到四个区间：

干预不是一次性的。每次开药、随访、复测都会产生新数据，模型据此更新风险评分，形成“预测—干预—再评估”的闭环。就像气象台每天根据实况修正预报，慢病气象台也在持续学习每位患者的疾病轨迹。从建设观测站到训练预报员，从三条天气线到四级预警，完整的体系终于落成——当普通医生还在凭经验猜测“哪位患者会病情恶化”时，你已经可以用数据提前画出一条清晰的风险轨迹。

Level={1,0≤s<0.252,0.25≤s<0.53,0.5≤s<0.754,0.75≤s≤1\displaystyle \text{Level} = \begin{cases} 1, & 0 \le s < 0.25 \\ 2, & 0.25 \le s < 0.5 \\ 3, & 0.5 \le s < 0.75 \\ 4, & 0.75 \le s \le 1 \end{cases}
  1. s 标准化后的风险分数0 到 1 之间，相当于水库的“水位比例”。
    ss
  2. Level 1 低风险（蓝色）常规随访，每 3-6 个月复测一次指标。
    Level=1\text{Level} = 1
  3. Level 2 中风险（黄色）增加随访频率，由护士电话提醒与生活方式督导。
    Level=2\text{Level} = 2
  4. Level 3 高风险（橙色）医生主动调药，缩短复诊间隔至 1-2 周。
    Level=3\text{Level} = 3
  5. Level 4 极高风险（红色）立即安排门诊或住院，启动多学科干预。
    Level=4\text{Level} = 4

AI 应用场景

院内慢病管理中心的心衰再入院预警

阶段：模型部署与临床决策支持

解决的问题：传统做法是患者出院后被动等复查，常常是病情恶化住院了才发现问题前后端脱节。AI 模型在患者出院当天计算 30 天再入院风险分，把高风险患者自动标记为“红色预警”，护士主动电话随访、社区医生上门评估，把再入院率显著压低。

具体案例：某三甲医院心内科，在心衰患者出院时用包含 BNP、LVEF、肌酐、住院次数等 12 个特征的逻辑回归评分模型预测再入院风险。红色预警患者被安排 3 天内门诊复诊并启动利尿剂剂量调整，半年内科室 30 天再入院率从 22% 降至 14%。

社区卫生服务中心的糖尿病分级随访

阶段：风险分层与干预建议

解决的问题：社区医生管理上千名糖尿病患者，无法逐一精细随访。AI 模型按血糖均值和波动性把患者分为四级，蓝色预警每年常规检查，黄色预警每季度随访一次，橙色预警每月测血糖谱并转诊营养师，红色预警两周内安排内分泌科会诊。

具体案例：某社区卫生服务中心接入电子健康档案后，系统自动从既往血糖记录中计算滑动窗口均值与标准差，用逻辑回归输出并发症风险概率。全科医生依据四级预警分配随访精力，一年后辖区内糖尿病患者糖化血红蛋白达标率从 48% 提升至 62%。

可穿戴设备驱动的 COPD 急性加重预警

阶段：实时监测与预测

解决的问题：COPD 患者急性加重往往深夜突发，送医时已很严重。可穿戴设备持续采集血氧饱和度、心率、活动量，结合 FEV1 历史下降速率和环境空气质量数据，预测未来 48 小时急性加重概率。

具体案例：一家呼吸器械公司的 COPD 管理平台，将 FEV1 变化斜率与血氧趋势输入时序模型，当预测概率超过 0.6 时自动向患者手机推送“橙色预警”并建议吸入急救药物，同时通知家属。上线三个季度，入组患者因急性加重住院的次数减少 31%。

Python 演示

python59 行
"""慢病风险预测演示：基于逻辑回归的糖尿病并发症风险分层"""import numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import roc_auc_score # 1. 生成模拟电子病历特征np.random.seed(42)n_patients = 1000 # 血糖特征: 均值与波动性(模拟时序统计量)glucose_mean = np.random.normal(7.0, 1.8, n_patients)glucose_std = np.random.normal(2.0, 0.6, n_patients)# 人口学特征age = np.random.normal(58, 12, n_patients)bmi = np.random.normal(26.5, 4.5, n_patients)# 生活方式特征: 0=运动少 1=运动多exercise = np.random.randint(0, 2, n_patients) # 2. 构造标签: 未来6个月并发症风险logit = (-5.5 + 0.35 * glucose_mean + 0.4 * glucose_std         + 0.05 * (age - 50) + 0.06 * (bmi - 25)         - 0.8 * exercise)p_risk = 1.0 / (1.0 + np.exp(-logit))label = (np.random.rand(n_patients) < p_risk).astype(int) # 3. 训练/测试划分X = np.column_stack([glucose_mean, glucose_std, age, bmi, exercise])X_train, X_test, y_train, y_test = train_test_split(    X, label, test_size=0.3, random_state=42) # 4. 训练逻辑回归模型model = LogisticRegression(max_iter=500)model.fit(X_train, y_train) # 5. 评估模型区分能力y_prob = model.predict_proba(X_test)[:, 1]auc = roc_auc_score(y_test, y_prob)print("AUC=%.3f" % auc) # 6. 风险分层与干预建议for i in range(5):    prob = y_prob[i]    if prob < 0.25:        level = "蓝色-低风险"        action = "常规随访"    elif prob < 0.5:        level = "黄色-中风险"        action = "加强监测"    elif prob < 0.75:        level = "橙色-高风险"        action = "调药干预"    else:        level = "红色-极高风险"        action = "立即就诊"    print("患者%d: 风险概率=%.2f %s -> %s" % (i + 1, prob, level, action))
目的：用合成电子病历数据训练一个糖尿病并发症风险预测模型，并演示蓝黄橙红四级风险分层的完整流程。
  1. logit = (-5.5 + 0.35 * glucose_mean + 0.4 * glucose_std ...)构造线性组合，相当于气象台把各观测读数加权汇总
  2. p_risk = 1.0 / (1.0 + np.exp(-logit))sigmoid 变换，把线性分数压缩成 0~1 的“下雨概率”
  3. label = (np.random.rand(n_patients) < p_risk).astype(int)按概率生成真实标签，模拟患者是否真的发病
  4. X = np.column_stack([glucose_mean, glucose_std, age, bmi, exercise])组装特征矩阵，一行代表一位患者
  5. X_train, X_test, y_train, y_test = train_test_split(...)切分训练集和测试集，绝不混用
  6. model = LogisticRegression(max_iter=500)创建逻辑回归模型，训练时加大迭代次数保证收敛
  7. model.fit(X_train, y_train)拟合模型参数，相当于让预报员“学习历史天气规律”
  8. y_prob = model.predict_proba(X_test)[:, 1]预测每个患者的正类概率，取出第 1 列
  9. auc = roc_auc_score(y_test, y_prob)用 AUC 衡量模型“把高风险和低风险分得开”的能力
  10. if prob < 0.25:风险分层：按概率阈值映射到四级预警，与分段函数公式完全对应

常见误区

误区我训练了一个深度神经网络，准确率 95%，把之前的逻辑回归模型扔了。黑盒模型效果这么好，医院应该直接用吧？反正医生只看预测结果就行。

正解临床场景最看重“为什么”。医生不会因为一个说不清理由的“红色预警”就调药——他需要知道是 BNP 上升还是肌酐恶化导致的。逻辑回归或树模型的权重天然透明，能告诉医生“哪些因素超标的贡献最大”。准确率高但不可解释的模型，在临床面前就像一台只会说“要出事”却说不清哪要出事的机器，很难获得信任。可解释性不是加分项，而是临床落地的准入门槛。

为何常见：算法工程师平时用准确率、AUC 等指标衡量模型，容易把“预测对”误当成“能落地”。但医疗场景的决策责任最终在医生，模型必须能交代决策依据。

误区我有 1000 位患者三年的血糖记录，把它展平成一万多行样本，随机打乱后划分训练集和测试集。模型在测试集上表现极好，看来我的特征工程很成功！

正解同一患者的多次就诊记录被随机打散到训练集和测试集，相当于模型“见过”这位患者的部分未来数据——同一个人的生理特征高度相似，测试自然“作弊”。正确做法是按患者（而非按就诊记录）分组划分，或用时间序列的前 N 年做训练、后 1 年做验证。这就像气象预报员不能拿“明天的实测值”来验证“昨天的预报”。

为何常见：图像和表格任务中随机划分是默认操作，新手把惯性带进时序数据，忽略了“时间顺序不可倒置”这一约束。

误区电子病历里好多字段是空的，比如三分之一的患者没测 BNP。省事起见，把这些缺失的行直接删掉，剩下完整记录再训练。数据干净了，模型应该更可靠吧？

正解临床缺失通常不是随机的——病情更重的患者往往检查更频繁，BNP 缺失可能恰恰意味着“当时医生觉得没那么重”。直接删行会引入选择偏差，让模型只见过“爱检查的人”。合理的做法是用均值插补、多重插补，或让模型原生支持缺失值（如 XGBoost 会自动学习缺失方向）。缺失值本身有时就是有用的信号，就像气象站部分传感器故障，本身也说明“这台站该维护了”。

为何常见：传统数据处理课程强调“先清洗数据”，让人误以为“删掉不完整的行”是保守安全的选择，殊不知在医疗场景中这反而是最危险的操作。

误区我分别训练了糖尿病、心衰、COPD 三个独立的预测模型，各自部署、各自预警。每个模型用自己的指标预测自己的病，互不干扰，这样不是很清晰吗？

正解现实中三种慢病高度共存——糖尿病患者心衰风险升高近 2 倍，COPD 合并心衰的再入院率也显著上升。割裂建模会丢失“共病交互”信息：例如糖化血红蛋白超标同时叠加 BNP 升高，风险不是简单相加而是协同放大。实践中常构建一个共享特征底座的“多任务模型”，或至少把三套风险分同时呈现在同一张“患者天气图”上，让医生一眼看到共病全貌。

为何常见：教科书按病种分章节讲解，初学者容易把病种当成完全独立的范畴，忽略了人体是联动系统这一基本事实。

面试题

Q1. z-score 标准化之后数据的特征是什么？

单选题 · easy

  • A.均值为 0 标准差为 1← 正确答案
  • B.均值为 1 标准差为 1
  • C.最大值缩放到 1
  • D.最小值映射到 1

答案：A。z-score 标准化公式是 (x-μ)/σ，做完后均值变为 0、标准差变为 1。就像把不同刻度尺的量具统一成同一把“气象标准尺”。B 错在均值应为 0；C、D 分别是最大最小归一化的效果。

Q2. 糖化血红蛋白 HbA1c 反映的是什么？

单选题 · easy

  • A.近三月平均血糖← 正确答案
  • B.单次空腹血糖值
  • C.餐后两小时血糖
  • D.胰岛素抵抗程度

答案：A。HbA1c 是红细胞内血红蛋白与葡萄糖结合形成的稳定产物，生命周期约 3 个月，因此反映近三个月平均血糖水平，相当于“历史平均气温档案”。B、C 是瞬时血糖；D 需通过胰岛素水平评估。

Q3. LSTM 相比普通 RNN 的核心优势是什么？

单选题 · mid

  • A.能记住长期依赖信息← 正确答案
  • B.训练速度大幅提升
  • C.不需要大量训练数据
  • D.无需人工设计特征

答案：A。RNN 在长序列上会因梯度消失而“忘记”早期信息，LSTM 通过遗忘门、输入门、输出门控制信息流，保留数十步前的关键记忆，就像经验丰富的气象预报员不会忘记三周前的环流形势。B、C、D 都不是 LSTM 的核心优势，训练速度反而更慢。

Q4. 心衰预测建模中常用哪些指标？

多选题 · mid

  • A.BNP 脑钠肽水平← 正确答案
  • B.LVEF 射血分数← 正确答案
  • C.体重与踝部水肿← 正确答案
  • D.指尖血氧饱和度

答案：ABC。BNP 是心衰的“水位标尺”，LVEF 是“泵效率”，体重和水肿反映体液潴留程度，都是心衰预测核心特征。指尖血氧饱和度更多用于 COPD 或肺炎监测，对心衰预测不是主要指标。

Q5. COPD 急性加重预测中最重要的特征是哪项？

单选题 · mid

  • A.FEV1 持续下降速率← 正确答案
  • B.患者喜好吃什么菜
  • C.血型与星座类型
  • D.手机使用频率数据

答案：A。FEV1 下降速率反映肺功能恶化速度，是急性加重风险最直接的“空气净化器滤网堵塞”信号。B、C、D 与呼吸道病理机制无明确因果关系，属无效特征。

Q6. 以下哪些操作会导致慢病预测模型的数据泄露？

多选题 · hard

  • A.用全量数据做标准化← 正确答案
  • B.训练后测试集评估一次
  • C.时序数据随机打乱划分← 正确答案
  • D.标准化参数只用训练集

答案：AC。A 用全量数据计算均值方差，测试集信息混入训练集，是典型泄露；C 随机打乱时序数据会让同一位患者的信息跨集出现，等于用“未来”预测“过去”。B 训练后在测试集上评估一次是标准做法；D 只在训练集上拟合标准化参数，再应用到测试集，是正确操作。

Q7. 生存分析与逻辑回归预测慢病风险的关键区别是什么？

单选题 · hard

  • A.生存分析可处理删失数据← 正确答案
  • B.逻辑回归可预测未来时间
  • C.两者完全等价互替
  • D.生存分析不需随访时间

答案：A。很多患者在随访结束时尚未发生事件（删失），逻辑回归只能丢弃这些样本或简单当作“未发生”，会损失信息。生存分析（如 Cox 回归）能同时利用删失数据和事件发生时间，像气象台把“还没下雨的观测日”也纳入统计回归模型。B 恰好说反；C、D 均错误。

Q8. 从电子病历文本中抽取临床指标主要依赖哪项技术？

单选题 · easy

  • A.自然语言处理 NLP← 正确答案
  • B.关系数据库 SQL
  • C.前端框架 React
  • D.网页渲染引擎 HTML

答案：A。病历中的主诉、病程记录是自由文本，需用命名实体识别、关系抽取等 NLP 技术转成结构化指标，相当于气象站的“自动读数器”。SQL 是查数据库用的，React 和 HTML 是前端技术，都与文本抽取无关。

Q9. 慢病风险分级预警的临床应用体现在哪些方面？

多选题 · mid

  • A.决定随访频率与强度← 正确答案
  • B.为患者制定用药调整← 正确答案
  • C.提前安排住院或就诊← 正确答案
  • D.替代医生全部诊断决策

答案：ABC。蓝黄橙红四级预警分别对应常规随访、加强监测、调药干预和立即就诊，覆盖随访、用药、住院三个层面。但 AI 只能提供风险参考，不能替代医生做全部诊断决策，D 是安全红线。

Q10. 慢病预测模型部署一段时间后性能下降，最可能的原因是什么？

单选题 · extreme

  • A.临床数据分布偏移← 正确答案
  • B.服务器存储空间不足
  • C.前端页面加载太慢
  • D.患者画像维度不足

答案：A。模型部署后，人群结构、诊疗习惯、季节变化都会让特征分布随现实漂移（如新药上市改变用药模式），训练时的分布假设不再成立，预测自然失准——就像气象模型换了地形环境还不重新校准。B、C 是工程问题，不影响预测准确性；D 属于建模阶段特征设计问题，而非部署后性能下降的主因。