Heart最近发表了一篇综述《Graphics and statistics for cardiology: clinical prediction rules》[1]，作者以心血管风险评分（CVD risk factor）为例探讨了如何借助统计图优势构建疾病的预测模型，并提出了6个重要步骤。（表1）

表1. 疾病预测模型的构建

我们聊到风险评分模型的构建和评价，模型都建好了，是不是就可以马上就用了？答案是还不够。事实上，我们得到的是一个数学公式，总不能让临床大夫们都恶补一堆模型什么的，再人手拿一个科学计算器狂按吧。所以风险评分模型还必须方便应用和解释。

常见的风险评分应用一般有三种形式：

第一种，热图（heatmap），例如来自欧洲SCORE项目的10年致死性CVD风险评分（图1）[2]。图1中，风险评分中关键变量——年龄、性别、收缩压、胆固醇以及是否吸烟被组合成热图，并且给出了每种色块的风险区间，颜色越深代表致死性CVD的患病风险越高。大家可以根据自身情况快速锁定色块，并且获知自己的患病风险。

图1. 高风险人群的致死性CVD10年风险预测（基于总胆固醇）

第二种，评分系统（points system），例如我们所熟知的Framingham风险评分（图2）[3]。图2是将复杂的数学模型转化成一个评分系统，不同影响因素不同水平均有相应的评分，并且评分都可以相加和求和。总分越高，对应的患病风险越高。

图2. Framingham风险评分

第三种，列线图（nomogram），例如一项预测乳腺癌患者淋巴结转移可能性的研究（图3）[4]。图3中Points提供每一个影响因素的评分尺度，例如肿瘤大小（MUCGRADE）Ⅰ为0分，Ⅱ为5分…将各影响因素的评分相加，查Total Points可以对应知道淋巴结转移的概率大小。