三個學生入組後的第二周，周成讓他們各自交一份研究方案。
要求很簡單，沒有限定方向，也沒有規定必須依託現有課題。
唯一的條件，是研究問題必須來自臨床，不能只從文獻里找一個空缺，再想辦法把它填上。
周五下午。
【記住本站域名 看台灣小說就上台灣小說網，ᴛᴡᴋᴀɴ.ᴄᴏᴍ隨時看 】
三個人抱著電腦進了小會議室。
林峰剛從導管室下來，也被周成叫了過來。
他原本以為只是一次普通組會，進門後才發現白板已經擦乾淨，桌上放著三份列印好的方案，旁邊還有周成剛泡的茶。
「都準備好了？」周成問。
三個人同時點頭。
「那就按照入組順序來。」周成翻開最上面一份材料，「明遠先講。」
李明遠明顯準備得最充分。
他把電腦接上投影，第一頁就是完整的研究框架，標題也寫得很正式——鈣化環定點松解術的動物實驗驗證及遠期血管反應研究。
這項技術是周成此前針對重度冠脈鈣化病變提出的操作思路。
通過腔內影像識別鈣化環應力集中的位置，再進行針對性處理，儘可能減少無效擴張和正常血管壁損傷。
前期的臨床結果已經發表，幾篇文章也引起了不少關注，但目前積累的主要證據仍然來自臨床病例和體外模型。
李明遠想把這項技術向動物實驗延伸。
「我的計劃是建立冠脈鈣化動物模型，對照傳統高壓球囊、旋磨和定點松解三種處理方式，觀察即刻管腔獲得、血管壁損傷以及遠期內膜增生。」李明遠站在投影幕前，語速不快，每一部分都講得很清楚，「術後按照一個月、三個月、六個月和十二個月分批處死，完成組織病理學檢查，同時結合OCT和IVUS評估血管癒合情況。」
他又切換了一頁，繼續介紹動物模型的構建方法、樣本量估算和統計學方案。
為了提高模型穩定性，他計劃先通過高脂飲食聯合局部血管損傷誘導鈣化，再進行影像篩查，只把形成連續環形鈣化的動物納入實驗。
對照組的器械規格、擴張壓力、操作時間也進行了統一設計，連術後抗血小板方案都寫進去了。
林峰聽到一半，已經忍不住點頭，「這個方案挺完整。」
趙思思也承認：「如果能做出來，文章層次應該很高。」
李明遠講完後坐下，眼神裡帶著期待。
他為了這份方案查了不少資料，光動物鈣化模型就對比了六種，最後選出的設計，幾乎已經接近正式標書。
周成沒有評價方案好壞，只問了一個問題：「你預計需要多長時間？」
李明遠顯然考慮過：「前期模型建立六到九個月，正式實驗一年左右，最後完成病理和數據分析，大概兩年半。」
「模型一次成功的情況下？」
會議室里安靜了一下。
李明遠遲疑片刻，點了點頭：「對。」
周成繼續問：「如果第一批動物沒有形成穩定的環形鈣化呢？」
「調整誘導方案，再做一批。」
「需要多久？」
「至少再加半年。」
「動物死亡率呢？」
李明遠翻到方案後面的預實驗數據：「同類研究的死亡率大約在百分之十五到百分之三十之間。我們做的是冠脈局部損傷，圍手術期風險可能還會更高。」
周成點了一下屏幕上的時間表：「你博士一共幾年？」
「三年。」
這次不用周成繼續問，李明遠也意識到了問題。
這項研究的思路很完整，邏輯也足夠嚴謹，可它把一切都建立在理想情況下。
動物模型順利，鈣化形態符合要求，手術操作未出現大量失敗，組織病理按時完成。
但任何一個環節出現延誤，三年時間都會迅速耗盡。
更麻煩的是，這類模型很難穩定複製真正的人類冠脈鈣化。
即便最後得到結果，也可能還要花很長時間解釋模型和臨床之間的差異。
「方案先放著。」周成說道，「後面再談。」
李明遠看不出他是否滿意，只能先合上電腦。
……
第二個匯報的是趙思思。
她的方案延續了自己最擅長的方向，準備建立冠脈介入術後風險預測模型。
與面試時那份相對粗糙的設計相比，這一次明顯完善了許多。
她計劃收集患者術前臨床資料、實驗室指標、冠脈影像特徵、介入操作信息和術後隨訪數據，通過機器學習預測一年內主要心血管不良事件。
模型不僅包含傳統結構化數據，還準備加入造影視頻提取出的影像組學特徵。
「目前很多風險評分只使用年齡、腎功能、左心室射血分數這些傳統指標，對病變形態和操作細節利用不夠。」趙思思說道，「如果把術中影像和臨床數據結合起來，理論上可以提高預測能力。」
她的投影里展示了完整的數據處理流程。
從缺失值填補、特徵篩選，到訓練集和驗證集劃分，再到不同算法之間的性能比較，圖表做得很漂亮。
研究還設置了模型解釋模塊，方便醫生了解哪些變量對預測結果影響最大。
陳雨雖然不太懂算法，但看到模型結構也覺得很厲害。
林峰翻了翻紙質方案：「你準備收多少病例？」
「先用本院近五年的介入資料庫，預計能納入一萬兩千例。如果數據質量可以，再聯繫兩家合作醫院進行外部驗證。」
「一萬多例，夠用了。」林峰說道。
趙思思點頭：「按照初步估算，主要終點事件數量也能滿足建模需要。」
周成看著投影上的流程圖，問道：「三家醫院的數據一樣嗎？」
「變量大部分一致。」
「我問的是數據分布。」
趙思思停了一下。
周成把滑鼠移到其中一組特徵上：
「我們醫院複雜冠脈患者比例高，腔內影像使用率也高，很多患者是外院處理困難後轉過來的。」
「你聯繫的第二家醫院以常規擇期介入為主，第三家醫院承擔大量急診PCI。」
「三家醫院的患者來源、病變複雜程度和治療習慣都不同，模型在本院表現很好，放到另外兩家醫院會怎麼樣？」
「可以通過外部驗證判斷。」
「如果驗證效果很差呢？」
趙思思想了想：「重新校準模型。」
「校準以後，換一家醫院還要重新做嗎？」
趙思思沒有立即回答。
周成皺了皺眉頭，繼續說道：「不同醫院的檢查習慣也不一樣。有的醫院常規做IVUS，有的醫院很少使用。某個變量在我們這裡缺失率只有百分之十，到了外院可能缺失百分之七十。你準備怎麼處理？」
投影上的模型依舊很漂亮，問題卻開始從細節里冒出來。
趙思思原本把多中心數據看成擴大樣本量的辦法，卻沒有認真考慮各醫院患者構成和診療流程之間的差異。
算法可以把數據放進同一個表格，臨床實際卻不會因為表格統一就變得一致！
「我回去重新分析各中心的數據分布。」趙思思說道。
周成沒有繼續追問，讓陳雨開始。
……