The BMJ | TRIPOD+AI声明：针对基于回归模型或机器学习方法的临床预测模型的报告指南更新

• 来源：未知
• 作者：bmjchina
• 日期：2025-12-31
• 分享：

在医疗领域，用于诊断和预后的预测模型数量正在迅速增加。在模型构建方面，除了传统的回归方法（如Logistic回归），但由机器学习（如随机森林、深度学习）驱动的人工智能（AI）技术正日益普及。2015年发布的TRIPOD声明主要针对回归建模制定，而随着方法学的进步，旧版指南已无法充分覆盖机器学习模型特有的复杂性（如超参数调优等）。

系统综述显示，当前的预测模型研究普遍存在报告不完整、不透明的问题。这导致读者无法评估模型的偏倚风险，无法复现研究结果，也难以判断模型是否适合临床应用。不充分的报告不仅会造成科研浪费，若模型被贸然引入临床，还可能对患者造成潜在伤害。

TRIPOD+AI声明的发布旨在提供一份协调统一的报告规范，不再区分回归与机器学习方法，而是将两者纳入同一个报告框架，以改善预测模型研究报告的完整性、透明度以及模型的可复现性。TRIPOD+AI提供了一份包含27个核心条目的报告清单，适用于包含模型开发和模型性能评估在内的各类预测模型研究。TRIPOD+AI已取代TRIPOD 2015，成为该领域的新报告标准，并同步推出了针对会议和期刊摘要的TRIPOD+AI for Abstracts清单。

为了应对AI技术的挑战，TRIPOD+AI在内容上引入了多个新维度：

• 开放科学：鉴于AI模型的高复现难度，新指南十分重视报告透明度，新增了关于分析代码等预测模型详细信息的报告要求；

• 公平性：新指南明确要求研究者报告是否以及如何处理了模型公平性问题（如针对不同种族、性别的模型性能差异），并解释相关理论依据；

• 技术细节：在方法学部分，新指南细化了对数据预处理、超参数调优、类别不平衡等方面的报告要求，因为这些因素在机器学习模型中对性能有着决定性影响；

• 人机交互与适用性：考虑到AI落地临床的实际门槛，新指南要求明确说明用户在使用模型时是否需要具备特定专业资质，以及是否需要进行复杂的人机交互（如手动圈出特定影像区域）。

具体条目内容：

 

*中文翻译仅供参考，相关内容请以英文原文为准。

总结

TRIPOD+AI的发布旨在从源头上减少科研浪费。对于研究人员而言，它不仅是写作规范，更是研究设计的自查工具，有助于在研究早期就考虑到公平性、样本量论证和数据共享等关键问题。期刊编辑和审稿人也能利用这一工具把控发表质量。更重要的是，虽然TRIPOD+AI本身不是质量评估工具，但它是进行质量评估的前提。只有通过完整、透明的报告，临床医生和监管机构才能准确判断一个AI模型是否存在高偏倚风险，从而决定是否将其引入临床决策路径。这一指南的实施将有助于建立医疗界对AI技术的信任，推动AI从论文发表走向真正安全的临床应用。

 

 

 

关于 The BMJ

The BMJ 是享誉世界的综合医学期刊之一，出版高质量的研究、综述、专家评述、权威观点及医学教育内容等。秉持“创造一个更健康的世界”的愿景，The BMJ 致力于为医生、研究人员和其他医疗卫生专业人士提供知识与信息，帮助医生做出更好的临床决策，最终改善患者结局。

 

2024年影响因子：43

 

期刊主页：bmj.com