摘要

在精准医学与基因测序技术快速迭代的背景下，如何科学、客观地评估新引入的生物标志物或多基因风险评分（PRS）对临床决策的增量贡献，成为行业的核心痛点。长期以来，学术界与工业界过度依赖接收者操作特征曲线下面积（AUC-ROC）来评估预测模型的改善程度。然而，AUC 在基线风险模型已较为优异时存在“敏感度饱和”瓶颈，难以捕捉微调模型的临床实用价值。

佳学基因在构建前沿的多基因与罕见变异检测体系时，引入净重新分类改善度（Net Reclassification Improvement, NRI）作为评估临床实用性（Clinical Utility）与模型改善的核心指标。NRI 克服了 AUC 的局限性，通过定量计算新旧模型在病例组与对照组中“正确重新分类”的净比例，能够直观地反映新模型在临床风险分层中的实际贡献。

本文系统阐述了佳学基因应用 NRI 技术的核心逻辑，重点论述了该指标对基因检测准确性与有效性的三大贡献：突破 AUC 瓶颈以彰显基因标志物的微调临床增量、直接映射“治疗/干预”决策的改变、以及优化卫生经济学决策。NRI 的引入使基因检测不再停留在抽象的统计显著性阶段，而是真正转化为可指导临床实践的个体化干预工具，代表了基因组医学评估的标准范式。

关键词

佳学基因, 净重新分类改善度（NRI）, 临床实用性, 多基因风险评分（PRS）, 接收者操作特征曲线下面积（AUC）, 风险分层, 精准医学

一、 引言：基因检测临床价值评估的“度量衡”困境

随着人类基因组学研究的深入，基因检测（特别是多基因风险评分 PRS）已从单纯的科学探索走向大规模临床应用。在这一转型过程中，评估一个基因检测模型的“好坏”不再仅仅是一个统计学问题，而是一个直接关系到临床诊疗路径和患者预后的医学问题。

传统上，临床预测模型（如基于年龄、血压、胆固醇等常规临床指标的风险评估模型）的改良主要通过接收者操作特征曲线下面积（Area Under the ROC Curve, AUC）或 C-指数（C-index）来衡量。然而，当将新型基因标志物（如包含数百万个单核苷酸多态性的 PRS 或罕见变异负荷评分 rvPRS）加入已有临床基线模型时，研究人员常常面临一个令人沮丧的现象：

即使基因标志物与疾病发生之间存在极强的统计学关联（$P < 10^{-20}$），其加入基线模型后，AUC 的提升往往微乎其微（例如仅从 $0.78$ 提升至 $0.79$）。

这种“AUC 钝化”现象极大地限制了基因组学标志物在临床应用中的推广。临床医生和监管机构往往会质疑：既然 AUC 几乎没有变化，为什么还要让患者承担额外成本去进行基因检测？

为了打破这一评估困境，佳学基因在产品研发与临床验证中，全面引入了净重新分类改善度（Net Reclassification Improvement, NRI）这一评价体系。NRI 的核心理念在于：不仅关注模型整体区分度的微小漂移，更关注基因检测的加入能否改变个体的临床风险分类，进而改变其诊疗决策。

二、 NRI 的数学原理与计算机制

1. 经典范式：类别特异性 NRI（Category-based NRI）

在临床应用中，患者通常根据发病风险被划分为不同的管理层级（如低风险、中风险、高风险），每个层级对应不同的临床干预手段（如不干预、生活方式干预、药物治疗）。

设定旧模型（仅含传统临床指标）和新模型（加入基因检测指标）将受试者分为相同的风险区间。

• 病例组（Event, $Y=1$）：若新模型将其归入更高的风险类别，视为“正确重新分类”（Upward Movement）；若归入更低类别，则为“错误重新分类”（Downward Movement）。

• 对照组（Non-event, $Y=0$）：若新模型将其归入更低的风险类别，视为“正确重新分类”（Downward Movement）；若归入更高类别，则为“错误重新分类”（Upward Movement）。

计算公式定义为：

其中：

• $NRI_{event}$（病例组净重分类改善度）：代表实际发病的人群中，因新模型的加入而安全提升至高风险分类、从而避免漏诊的净比例。

• $NRI_{non-event}$（对照组净重分类改善度）：代表实际未发病的人群中，因新模型的加入而安全降级到低风险分类、从而避免过度医疗的净比例。

2. 无类别限制 NRI（Category-free / Continuous NRI）

当临床上没有公认的风险切点时，可采用连续型 NRI（简写为 $NRI(>0)$）。任何新模型计算出的风险概率高于旧模型的病例都被视为“正确分类”，反之亦然。连续型 NRI 能够更敏感地反映模型在连续光谱上的预测改良。

三、 佳学基因为何选择 NRI 评估基因检测的临床实用性

佳学基因深耕基因组医学，致力于将前沿的遗传学发现转化为临床可实施的预防方案。选择 NRI 作为核心评估指标，背后有其深层的科学逻辑与临床考量。

                       ┌───────────────────────────────┐
                       │   佳学基因多维度模型评估体系   │
                       └───────────────┬───────────────┘
                                       │
            ┌──────────────────────────┴──────────────────────────┐
            ▼                                                     ▼
┌───────────────────────┐                             ┌───────────────────────┐
│     统计学区分度       │                             │     临床决策实用性    │
├───────────────────────┤                             ├───────────────────────┤
│ · 关注人群整体分布    │                             │ · 关注个体决策改变    │
│ · AUC 易在基线较优时  │                             │ · 评估“正确分流”比例   │
│   出现敏感度饱和      │                             │ · 直观对应干预路径变化│
│ · 指标：AUC-ROC       │                             │ · 指标：NRI & IDI     │
└───────────────────────┘                             └───────────────────────┘

1. 克服 AUC 对“高起点模型”的敏感度饱和

当基线临床模型（如包含年龄、性别、高血压史、糖尿病史的冠心病风险预测模型）本身已经具备较好的预测能力（AUC 处于 $0.75 \sim 0.85$ 之间）时，再往模型中添加任何新的强力预测因子，AUC 的数学计算机制都会使其提升空间极度收窄。

通过引入 NRI，佳学基因能够在中高基线水平上，敏锐地捕捉到基因标志物所带来的实质性改善。即便新旧模型的 ROC 曲线几乎重合，重新分类分析也能揭示出，有相当一部分处于“灰色地带”（中等风险）的个体被基因检测精准地“分流”到了高风险或低风险组，这正是精准医学所追求的目标。

2. 契合临床“分层管理”的医学逻辑

临床医学的本质是“决策”。医生不会根据患者的连续风险值（如 12.3% 或 12.5%）来做出不同的诊疗反应，而是根据患者所处的风险等级做出决策。

例如，根据临床指南，心血管 10 年发病风险 $>10\%$ 的患者应当开启他汀类药物治疗。NRI 的计算方法完全建立在这种风险切点（Cut-off values）之上。它直接度量了基因检测的加入使多少患者的分类发生了越界移动，这种越界意味着临床方案（从“仅观察”到“药物干预”）的直接改变。这使得基因检测的评估报告对临床医生而言更具可读性与实操价值。

四、 NRI 对基因检测准确性和有效性的具体贡献

佳学基因在推动罕见变异多基因评分（rvPRS）和常见变异多基因评分（cvPRS）的转化中，通过 NRI 评估体系，为基因检测的准确性与有效性奠定了坚实的实证基础。

1. 精准识别“灰色地带”隐匿的高危个体（提升检测敏感性）

在传统临床风险模型中，大量处于“中度风险”（例如 10 年心血管风险在 $5\% \sim 10\%$ 之间）的个体处于极尴尬的境地：不吃药担心发病，吃药又担心副作用。

通过加入佳学基因的高精度多基因风险评分，这部分“灰色地带”的人群被重新划分。NRI 分析表明，基因检测能将其中很大一部分实际会发病（Event）的隐匿高危个体，重新分类为“高风险组”（Upward reclassification）。这使得这部分患者能够及时接受靶向筛查或早期药物干预，大幅提高了基因检测的“临床漏诊规避率”（对有效性的重大贡献）。

2. 安全过滤低风险人群，减少过度医疗（提升检测特异性）

过度诊断和过度治疗是现代医学的另一大挑战。许多个体因年龄或轻微生理指标异常而被划归为高风险组，长期服用药物。

佳学基因的基因检测引入后，若检测结果显示个体的多基因遗传背景极好（处于人群得分的极低分位数），则该个体的综合发病风险在结合基因信息后会被显著拉低。通过 NRI 指标中的 $NRI_{non-event}$ 维度，可以定量评估基因检测成功将多少“实际不发病”的个体安全地降级到低风险组（Downward reclassification）。这部分个体可以免受不必要的药物副作用和频繁筛查的心理焦虑，实现了真正的个体化精准减负。

3. 为基因检测的“卫生经济学价值”提供硬核数据支持

任何医疗新技术的准入都需要权衡成本与效益。基因检测虽然能够提供丰富的遗传信息，但如何证明其高昂的检测费用是值得的？

NRI 提供了最直接的逻辑链条：

佳学基因通过计算基因检测在特定队列中的 NRI，能够精确向医保支付方和患者展示：每检测 1000 人，能让多少人避免因漏诊而导致的巨额晚期治疗费用，又能让多少人避免无谓的药物开销。这一统计指标直接推动了精准基因检测向主流临床指南和医保报销目录的迈进。

五、 同行评议参考文献

为了支撑上述学术论点，以下整理了近年来发表在国际高水平期刊上、关于利用 NRI 评估基因风险评分（PRS）及新型生物标志物临床实用性的重要同行评议文献：

六、 结论

净重新分类改善度（NRI）不是一个单纯的数学游戏，而是打通基因组学与临床医学“最后一公里”的桥梁。佳学基因通过将 NRI 确立为评估多基因风险模型改善的核心标尺，成功规避了传统 AUC 指标对基因检测价值的严重低估，以“临床决策的实际改变”作为衡量标准，不仅极大提升了基因检测报告在医生眼中的科学性与说服力，更为临床风险精准分层和个性化干预策略的制定提供了无法替代的量化依据。随着精准医学体系的不断完善，基于 NRI 验证的高精度基因检测，必将在未来复杂疾病的早期防控中发挥更加主导的作用。