但任何一个环节出现延误，三年时间都会迅速耗尽。

更麻烦的是，这类模型很难稳定复制真正的人类冠脉钙化。

即便最后得到结果，也可能还要花很长时间解释模型和临床之间的差异。

「方案先放着。」周成说道，「后面再谈。」

李明远看不出他是否满意，只能先合上电脑。

……

第二个汇报的是赵思思。

她的方案延续了自己最擅长的方向，准备建立冠脉介入术后风险预测模型。

与面试时那份相对粗糙的设计相比，这一次明显完善了许多。

她计划收集患者术前临床资料丶实验室指标丶冠脉影像特徵丶介入操作信息和术后随访数据，通过机器学习预测一年内主要心血管不良事件。

模型不仅包含传统结构化数据，还准备加入造影视频提取出的影像组学特徵。

「目前很多风险评分只使用年龄丶肾功能丶左心室射血分数这些传统指标，对病变形态和操作细节利用不够。」赵思思说道，「如果把术中影像和临床数据结合起来，理论上可以提高预测能力。」

她的投影里展示了完整的数据处理流程。

从缺失值填补丶特徵筛选，到训练集和验证集划分，再到不同算法之间的性能比较，图表做得很漂亮。

研究还设置了模型解释模块，方便医生了解哪些变量对预测结果影响最大。

陈雨虽然不太懂算法，但看到模型结构也觉得很厉害。

林峰翻了翻纸质方案：「你准备收多少病例？」

「先用本院近五年的介入资料库，预计能纳入一万两千例。如果数据质量可以，再联系两家合作医院进行外部验证。」

「一万多例，够用了。」林峰说道。

赵思思点头：「按照初步估算，主要终点事件数量也能满足建模需要。」

周成看着投影上的流程图，问道：「三家医院的数据一样吗？」

「变量大部分一致。」

「我问的是数据分布。」

赵思思停了一下。

周成把滑鼠移到其中一组特徵上：

「我们医院复杂冠脉患者比例高，腔内影像使用率也高，很多患者是外院处理困难后转过来的。」

「你联系的第二家医院以常规择期介入为主，第三家医院承担大量急诊PCI。」

「三家医院的患者来源丶病变复杂程度和治疗习惯都不同，模型在本院表现很好，放到另外两家医院会怎么样？」

「可以通过外部验证判断。」

「如果验证效果很差呢？」

赵思思想了想：「重新校准模型。」

「校准以后，换一家医院还要重新做吗？」

赵思思没有立即回答。

周成皱了皱眉头，继续说道：「不同医院的检查习惯也不一样。有的医院常规做IVUS，有的医院很少使用。某个变量在我们这里缺失率只有百分之十，到了外院可能缺失百分之七十。你准备怎么处理？」

投影上的模型依旧很漂亮，问题却开始从细节里冒出来。

赵思思原本把多中心数据看成扩大样本量的办法，却没有认真考虑各医院患者构成和诊疗流程之间的差异。

算法可以把数据放进同一个表格，临床实际却不会因为表格统一就变得一致！

「我回去重新分析各中心的数据分布。」赵思思说道。

周成没有继续追问，让陈雨开始。

……