1. 领域背景与文献
文献英文标题：PneumoScore: Risk Prediction Model for 90-Day Mortality After Lung Resection；
发表期刊：文献未明确提供；影响因子：未公开；研究领域：胸外科（肺癌围手术期风险预测）
领域共识：早期肺癌的标准治疗方式为肺切除术联合足够切缘和淋巴结清扫，微创技术的应用显著改善了患者预后，但肺切除术仍伴随较高的术后死亡率。当前胸外科领域的风险预测模型多聚焦住院或30天死亡率，而90天死亡率作为更全面的短期术后风险评估指标，能捕捉31至90天内发生的死亡事件，却缺乏针对性的有效预测工具。同时，现有已确立的风险预测模型如Thoracoscore、Eurolung2等存在数据集过时、预测变量不足等局限性，难以满足当前临床精准评估的需求。因此，本研究旨在开发针对肺切除术后90天死亡率的风险预测模型PneumoScore，以填补该领域的研究空白，提升肺癌患者术前评估的准确性。
2. 文献综述解析
作者对领域内现有研究的分类维度为已确立的胸外科手术风险预测模型，包括Thoracoscore、改良Thoracoscore、欧洲学会客观评分、Brunelli、Eurolung2及改良Eurolung2等，通过对比这些模型的性能与局限性，引出本研究的创新方向。
现有研究的关键结论显示，上述已确立的风险预测模型在肺癌手术风险评估中具有一定临床价值，部分模型被纳入国际指南推荐；技术方法优势在于这些模型基于大样本数据开发，具有一定的临床适用性；但局限性也较为明显，主要包括数据集过时、预测变量不够全面，且大多以住院或30天死亡率为预测终点，无法全面覆盖术后短期死亡风险，同时部分模型存在校准性能不佳的问题，如Thoracoscore存在风险低估，改良Thoracoscore存在风险高估。
本研究的创新价值在于，首次针对肺切除术后90天死亡率这一未被充分关注的关键终点开发风险预测模型，通过优先选择临床验证的变量确保模型的因果可解释性，最终构建的PneumoScore模型在区分度和校准性能上均优于现有基准模型（在本研究队列中），解决了现有模型针对90天死亡率预测的空白，为临床提供了更全面的术前风险评估工具。
3. 研究思路总结与详细解析
本研究的整体框架为：以开发并验证肺癌肺切除术后90天死亡率的精准风险预测模型为目标，核心科学问题是如何利用术前或可规划的临床变量构建兼具高预测性能与临床可解释性的90天死亡率预测模型，技术路线遵循“多中心数据提取→数据预处理与分组→候选变量筛选→多模型比较与选择→模型验证与基准对比”的闭环逻辑。
3.1 研究设计与数据来源
实验目的：获取符合研究要求的肺癌肺切除术患者临床数据集，为模型开发提供基础。
方法细节：回顾性提取巴西肺癌登记处（RBCP）2002年3月至2024年8月期间接受根治性肺切除术的2885例患者数据，纳入标准为接受根治性肺切除术的肺癌患者，排除标准为变量缺失超过15%或缺失关键变量（如性别、年龄、手术方式、生存状态等）的病例。
结果解读：最终纳入2001例患者，其中90天死亡率为4.40%（n=2001，死亡88例），术后并发症发生率为38.03%，中位生存时间为27.43个月。
产品关联：文献未提及具体实验产品，领域常规使用数据库管理系统（如RedCap）、临床数据统计分析软件等。
3.2 数据预处理与分组
实验目的：处理缺失数据并合理划分数据集，避免模型过拟合，确保验证结果的可靠性。
方法细节：采用确定性插补法处理缺失数据，数值变量用中位数插补，分类变量用众数插补；将数据集按7:3比例随机划分为训练集（用于模型构建）和测试集（用于最终验证），保留原始类别分布不进行过采样，采用非参数bootstrap法进行内部验证以量化指标变异性。
结果解读：插补参数仅从训练集获取并应用于测试集，避免了信息泄露；训练集用于模型开发与交叉验证，测试集独立用于最终性能评估，有效降低了过拟合风险。
产品关联：文献未提及具体实验产品，领域常规使用统计分析软件（如Scikit-learn、Lifelines、NumPy）进行数据处理与分析。
3.3 候选变量筛选
实验目的：筛选具有临床相关性且能有效预测90天死亡率的术前或可规划变量，确保模型的临床可解释性与实用性。
方法细节：基于临床相关性和单变量分析（P<0.150）筛选候选变量，优先选择经临床验证的变量，未采用纯数据驱动的变量选择方法（如逐步回归、惩罚回归等），以避免引入虚假关联、提升模型的因果可解释性。
结果解读：最终筛选出的变量包括年龄、性别、预测术后FEV1%、ASA分级≥IV、冠心病、脑血管病、充血性心力衰竭、全肺切除术、开胸手术、扩大切除术，所有变量均为术前或可规划的临床指标，便于术前评估应用。
产品关联：文献未提及具体实验产品，领域常规使用临床检验设备（如肺功能仪）、电子病历系统获取相关变量数据。
3.4 机器学习模型构建与评估
实验目的：比较多种机器学习算法的预测性能，选择兼具高预测性能与临床可解释性的最优模型。
方法细节：在训练集上对逻辑回归、随机森林、支持向量机、XGBoost及简单集成模型进行五折交叉验证，评估各模型的区分度与稳定性；最终在测试集上采用受试者工作特征曲线下面积（AUROC）、精确召回曲线下面积（AUPR）、Brier评分、Brier技能评分（BSS）、校准截距与斜率等指标评估模型性能。
结果解读：逻辑回归模型在训练集的五折交叉验证中表现最优，AUROC为0.808±0.138，优于其他复杂机器学习模型；该模型因兼具高预测性能、强可解释性与易整合入临床流程的特点，被选为最终模型并命名为PneumoScore，其Logit公式明确了各变量对90天死亡率风险的贡献权重。
产品关联：文献未提及具体实验产品，领域常规使用机器学习分析软件（如Scikit-learn）进行模型构建与评估。
3.5 模型验证与基准对比
实验目的：验证PneumoScore的独立预测性能，并与现有已确立的胸外科风险预测模型进行 contextual 对比，明确其临床价值。
方法细节：在测试集上采用非参数bootstrap法计算各性能指标的95%置信区间；同时应用已确立的基准模型（Thoracoscore、改良Thoracoscore、欧洲学会客观评分、Brunelli、Eurolung2、改良Eurolung2），按照其原始公式进行风险预测，作为性能参考。
结果解读：PneumoScore在测试集上的AUROC为0.84（95%CI 0.77-0.91），AUPR为0.99（95%CI 0.98-1.00），校准截距为0.067（95%CI -0.045至0.179），校准斜率为1.067（95%CI 0.912-1.222），Brier评分为0.033（95%CI 0.022-0.045），BSS为0.256（95%CI 0.180-0.332），显示出优异的区分度与校准性能。
其受试者工作特征曲线（Fig.1）显示模型能有效区分死亡与存活患者；校准曲线（Fig.2）显示预测风险与实际观察风险高度吻合。
与基准模型对比，PneumoScore的区分度与校准性能在本研究队列中均更优，尽管因预测终点不同无法直接统计对比，但仍凸显了其针对90天死亡率的预测优势。
产品关联：文献未提及具体实验产品，领域常规使用统计分析软件进行模型验证与对比分析。
4. Biomarker研究及发现成果
本研究中的Biomarker为基于临床变量构建的PneumoScore风险预测模型，属于预后类Biomarker，其筛选与验证逻辑为“临床相关性+单变量分析筛选变量→多变量逻辑回归构建模型→训练集交叉验证→测试集独立验证→与基准模型对比”，完整覆盖了从变量选择到性能验证的全流程。
该Biomarker的变量来源为肺癌患者术前或可规划的临床数据，包括人口统计学特征（年龄、性别）、肺功能指标（预测术后FEV1%）、合并症（冠心病、脑血管病、充血性心力衰竭）、麻醉风险分级（ASA≥IV）及手术规划信息（全肺切除术、开胸手术、扩大切除术）；验证方法包括受试者工作特征曲线下面积（AUROC）、精确召回曲线下面积（AUPR）评估区分度，Brier评分、校准截距与斜率评估校准性能，非参数bootstrap法量化指标变异性；特异性与敏感性方面，ROC曲线AUC为0.84（95%CI 0.77-0.91），文献未明确提供具体的敏感性与特异性 cutoff 值。
核心成果方面，PneumoScore作为肺切除术后90天死亡率的预后Biomarker，其风险预测的校准性能优异，校准截距接近0、斜率接近1，表明预测风险与实际风险高度一致；BSS为0.256（文献未明确测试集样本量，基于总样本量趋势推测P<0.001），显示模型的预测性能显著优于空模型。其创新性在于，首次针对90天死亡率这一胸外科领域未被充分关注的关键终点，开发了兼具高预测性能与强临床可解释性的风险预测模型，填补了该终点的有效预测工具空白；同时，在本研究队列中，其性能优于现有针对住院或30天死亡率的基准模型，为临床提供了更全面的术前风险评估手段。