基于乳腺癌全球发病率的持续上升，其早期风险预测对精准预防至关重要。风险预测模型作为量化个体发病风险的关键工具，其临床应用价值日益凸显。然而现有主流模型在跨种族验证中存在局限性，尤其对亚洲人群适用性不足。随着多基因风险评分（PRS）、循环生物标志物及机器学习技术的发展，模型优化迎来新的机遇。

近期，一篇发表在Annals of Medicine（IF=4.3）的Meta分析系统梳理了该领域的全球研究进展，通过整合多模态数据评估模型效能，重点分析遗传与生活方式两大影响因素，并探讨人工智能对模型的优化作用，为中国人群的精准预测提供循证支持。

研究方法

本研究系统检索PubMed、Cochrane Library、EMBASE、Web of Science及CNKI数据库建库至2023年8月31日的中英文文献，采用关键词组合及布尔运算策略，辅以文献追溯。纳入标准：针对≥18岁普通人群女性的乳腺癌风险预测模型开发/验证研究；观察性设计（队列/病例对照/横断面）；包含≥2个风险因子；报告模型的量化性能。排除预后模型、无校准/区分度指标及非原始研究。

双人独立筛选、提取数据并采用PROBAST评估偏倚风险。使用R/STATA进行贝叶斯Meta分析，汇总C统计量（95%CI及预测区间）评估区分度与校准度。

研究结果

研究纳入概况

最终纳入144项研究，涵盖88个独立队列（含36项前瞻性及52项回顾性队列）。研究地域分布以美洲为主（42.4%），其次为亚洲（32.6%，其中中国占33项）和欧洲（21.5%）。纳入研究的样本量范围广泛（97至2,211,039例），研究对象平均年龄介于35至73岁。

图1.纳入本Meta分析的文献筛选流程图¹

预测模型特征

本研究共分析510个乳腺癌风险预测模型，其中开发模型297个，验证模型213个。开发模型的地域分布相对均衡（美洲35.7%，亚洲34.3%，欧洲26.6%）。建模算法中传统统计方法与机器学习方法占比大致均等。模型纳入的预测因子呈现递进趋势：从基础人口学/临床特征（42.1%）为主，逐步发展为结合遗传数据（16.5%）或影像学特征（15.2%），乃至整合全部三类因子的综合模型（5.1%）。验证模型主要来源于美洲（58.3%），超过半数（56.9%）涉及Gail模型。

模型性能评估

模型区分度（C统计量/AUROC）报告范围广泛，开发模型为0.45-0.96，验证模型为0.45-0.93。Meta分析显示模型整体区分度中等：5年风险预测模型的汇总C统计量开发模型为0.68，验证模型为0.61；10年风险模型分别为0.70和0.62。校准度方面，约70%的模型O/E比值处于0.8-1.2的合理范围。5年与10年风险模型的汇总O/E比值相近，分别为0.85和0.83，但5年模型异质性较大。校准报告不足（开发模型仅28个，验证模型118个），且报告的O/E比值范围差异显著（开发：0.78-1.20；验证：0.40-2.08）。

亚组分析结果

亚组分析显示：采用机器学习算法的开发模型区分度（C=0.74）优于传统统计方法（C=0.67）。模型校准存在明显地域差异：在亚洲开发或验证的模型汇总O/E比值约为1.08，提示存在低估风险倾向；而欧洲和美洲模型校准更佳，O/E比值分别约为0.91和0.86。经典模型比较中，BRCAPRO模型（O/E=0.94）校准优于Gail模型（O/E=0.86）和Tyrer-Cuzick模型（O/E=0.66）。

偏倚风险与发表偏倚

纳入研究中超过半数（51.4%）存在高偏倚风险，主要源于分析领域（72%），其中又以缺失数据处理不当（55.6%）为主要问题。漏斗图结合Egger检验（p=0.04）提示Meta分析存在发表偏倚，趋向于无效结果。

研究结论

基于系统评价与荟萃分析，本研究对乳腺癌风险预测模型展开了全面评估。现有模型虽在短期及中期风险预测中展现中等区分度与校准度，但在普适性、可解释性及长期临床转化价值方面仍存在局限。为突破这些瓶颈，亟需推动数据科学、临床医学与公共卫生领域的跨学科协作，以提升模型的精准性、可及性与临床效用，最终为乳腺癌预防与早期筛查的策略优化提供支撑。