下面这份清单用于快速判断你的数据是否适合做 AI/机器学习建模分析，并把“建模能不能做”落到可执行的信息准备上。
如果你愿意，也可以直接把这些信息（脱敏概况即可）发给我们：我们会基于同一份清单提供免费可行性评估与建模路线建议（见
/contact）。
1. 先把结局说清楚（比算法更重要）
建模工作的第一步不是选模型，而是明确“你要预测什么”：
- 结局定义：阳性/事件是什么？由什么标准判定？（诊断标准、阈值、时间窗）
- 时间窗：用哪个时间点作为“起点”？预测窗口多长？（尤其是生存/时间结局）
- 删失与随访：随访是否不完整？删失是否与结局相关？（常需要敏感性分析）
2. 样本量与事件数：决定可达到的稳健程度
很多临床课题会遇到单中心、小样本、随访缺失等现实约束。评估时至少要掌握：
- 总样本量、事件数/阳性数、类别分布（多分类尤其重要）
- 是否多中心（中心数、各中心样本占比）
- 是否存在明显的类别不平衡（例如阳性极少）
我们在小样本项目上会特别关注变量稳定性与不确定性刻画（交叉验证、置信区间等），避免“看起来很高但不可信”的结果。
3. 变量口径与缺失：很多失败不是模型，而是数据
请准备一份变量清单（字段级别），并尽量给出：
- 字段类型（连续/分类/文本/时间序列）
- 缺失比例概况（大致区间即可）
- 是否存在“事后信息”（可能导致信息泄露，例如出院后才产生的变量用于入院时预测）
- 关键变量是否可解释（如果要写论文讨论机制，这点很重要）
4. 偏倚与混杂：审稿会问的，不要等到最后才补
评估时建议主动回答：
- 纳排标准是否会造成选择偏倚？
- 数据采集是否一致（同一指标不同机器/不同批次/不同时间段）？
- 是否存在治疗路径变化、指南变化等时间漂移？
5. 评估口径：区分度只是起点
很多项目只看 AUC，但论文往往还需要：
- 校准：预测概率是否可信（校准曲线、Brier 等）
- 不确定性：置信区间/波动范围（交叉验证/自助法）
- 可解释性：SHAP、PDP/ICE 等用于解释关键变量影响
- （可选）临床可用性：阈值策略与净获益等决策支持口径
6. “可复现 + 投稿材料”要提前规划
如果目标是发表，建议在一开始就确认交付标准：
- 图表能否导出 PNG/SVG/PDF，是否提供二次绘图原始数据
- 是否记录关键步骤、参数与中间结果，便于补分析与复核
- 方法描述与结果口径是否能直接用于写作
Scienith 的交付强调“可复跑、可补分析、可编辑图表”（详见 XeleFlow 交付标准）。
7. 一句话自测：你现在缺的是什么？
如果你能提供下面四项的脱敏概况，通常就足够进入可行性评估：
- 研究目标 + 结局定义（含时间窗）
- 样本量概况（总数、事件/阳性数、中心数）
- 变量清单 + 缺失概况
- 数据来源（病历/检验/影像/病理/组学/随访等）
下一步：免费可行性评估
把以上信息发到 /contact 对应的公众号/企微渠道（或邮件 contact@scienith.com），我们会给出：
- 可行性判断与关键风险点
- 建模路线建议（任务类型、评估口径）
- 交付范围与时间线建议