医学研究里，我们经常会碰到各种危险因素评分预测模型，比如5年冠心病预测模型，10年中风预测模型等等。这些模型通常借助几个简单易测的问题进行打分，从而可以较为方便，准确的预测未来几年某类患者患某病的概率。对于这种评估工具，我们姑且称之为危险因素评分预测模型。
风险评分模型可以预测未来？
危险因素评分预测模型是什么？举例来说，在询问患者的年龄、性别、种族、总胆固醇、高密度脂蛋白胆固醇、血压、高血压、糖尿病史以及吸烟等情况，基于此打分后，就可以得出一个未来10年患心脏病的概率是多少。依据一些疾病等危险因素来建立预测模型，可以用来预测未来走势。
数据基于统计模型
模型看起来「深不可测」，结构却并非想象中的复杂。这些模型背后的方法是基于常见的统计模型。
图示：FraminghamHeartStudy的评分预测模型总揽
小模型大学问
这么高大上，我们自己也弄一个行不行？当然可以。不过，我们先看看别人是怎么开发评分预测模型的吧。我们就以业界标杆研究「FraminghamHeartStudy」为例来进行说明吧。
以性别，年龄，收缩压，现在是否吸烟（Sex，Age，SBP，currentsmoker）做Logistic回归来预测5年后的冠心病(CHD)风险。
1.进行多因素logistic回归估算各危险因素的系数。这个不用多言吧，SAS的Proclogistic，不会SAS的点点SPSS也可以。「FraminghamHeartStudy」给出的例子的结果如下：
图示：logistic回归估算系数
2.连续变量切割分组，以组中值作为参考值，分类变量如果是多分类无序，设置哑变量，编码0，1化。例如，Age就是9岁为一组切割，对于30-39岁的，就以组中值34.5为此组的参考值。
图示：连续变量切割分组，以组中值作为参考值
然后我们需要确定所有危险因素的基础风险参考值。所谓基础风险参考值，是指如果病人的某个危险因素取值为此值，则危险打分为0，越高于此值，打分越高，风险越高。本例中，我们以30-39岁，女性，SBP120-129，非吸烟状态做为基础风险状态。
图示：基础风险参考值
3.计算每一危险因素的分类距离基础风险的距离D。通常以某一回归系数为单位乘以组间距来衡量。例如，本例中，年龄是以30-39岁组为基础风险的，所以距离基础风险10个单位的40-49岁组的距离是：D=10*age的回归系数=10*0.0575=0.5750，后面的以此类似。对于二分类变量，基础风险为0，距离即是回归系数。
图示：计算风险距离
4.我们设定打1分的单位距离B。本例假定5岁的距离B=5*0.0575=0.2875为一个单位，得1分。
5.给每一危险因素的分类打分，得分Point=D/B。例如，40-49岁组据基础风险组30-39岁组的距离D是0.5750，则得分Point=D/B=0.5750/0.2875=2，故此类风险得分为2，其余类似。
图示：计算每类得分
6.制作总得分与概率的对照表。总得分可以直接把得分相加得到。概率P可以依据公式计算。需要留意的是BiXi的总和计算时，不仅需要B*PointTotal，还需要加上常数项以及各类基础风险参考值*系数。
图示：logistic概率计算公式
基于此，本例得分从-1到19分的风险就可以计算出来了，从而得到如下的打分对应表。
图示：风险评分表
图示：风险得分与风险对照表
至此，一个风险评分模型已经大功告成了。
看看得分系统算出来的概率和logistic回归算出的概率的差异如何？
例：一个55岁，非吸烟男性，SBP135的患者，风险评分10，5年内得CHD的概率是0.0338，与老老实实logistic回归算出的概率0.0280只差一个百分点。
图示：比较风险评分模型与logistic实际结果
那么问题来了
风险评分模型的初衷是把不方便计算的复杂模型（logistic，COX）的结果转换成临床易用的评分，用评分对照概率做出预测。然而，随着时代的进步，网络工具，尤其是手机App的普及，即使再复杂的模型，也能方便的立马计算出概率，在这种情况下，还继续推行风险评分模型的意义何在？