image: Cardiovascular care generates inherently multimodal data that are frequently incomplete, asynchronously acquired, and dynamically altered by clinical events and treatment. A clinically meaningful patient representation should therefore capture not only what was observed, but also the reliability and timing of each observation, patterns and reasons for missingness, and changes in clinical state over time. Multimodal information can then be encoded and interpreted within its temporal and clinical context. Before a prediction is issued, evidence sufficiency should be assessed to determine whether the available information supports prediction. When prespecified criteria are met, the model may provide clinical decision support; when evidence is insufficient, it should defer to an alternative pathway such as clinician review, additional testing, or usual care. Performance, calibration, model-derived uncertainty, clinical utility, deferral behaviour, generalisability, and equity should be evaluated separately across relevant care settings and patient populations. The lower panel summarises six principles for trustworthy multimodal cardiovascular AI: representing the patient rather than the dataset; treating missingness as clinically meaningful; respecting temporal and clinical context; assessing evidence sufficiency and supporting deferral; validating generalisability and equity; and aligning model outputs with clinical decision-making and workflow.
Credit: Ge Zhang / Medicine Discovery
Medicine Discovery最新通讯文章指出，仅在输入齐全时表现良好的模型，对诊室里的患者可能依然毫无用处；文章主张将"证据充分性"、选择性预测与推迟决策路径明确为设计要求
心血管医学本质上依赖于多模态信息。心脏影像提供解剖与功能信息；心电图与生理波形捕捉电生理和血流动力学动态；电子病历提供纵向临床背景；组学与可穿戴设备测量则补充分子层面及院外分辨率。多模态人工智能（AI）常被视为应对这种数据碎片化的自然方案——人们期待，将互补性数据加以整合，有望改善表型刻画、风险预测、治疗选择与纵向监测。
然而在临床实践中，完整的"多模态患者"几乎并不存在。疑似冠心病患者可能接受了计算机断层扫描，却未做心血管磁共振；超声心动图可能比实验室检查早数月；可穿戴数据往往只覆盖部分时段。即使在单一模态内部，设备厂商、采集方案、图像质量、测量频率与临床适应证也各不相同。近期多项综述指出，数据集不完整、数据特征异质以及模态缺失，是多模态临床AI长期面临的障碍。
Medicine Discovery发表的一篇通讯文章（Correspondence）认为，核心问题并不在于如何融合更多数据，而在于当临床相关信息不完整、时间上不同步，或已不再反映患者当前状态时，模型应当如何推理。本文通讯作者、郑州大学研究者张格（Ge Zhang）博士表示，"一个仅在所有输入齐备时表现良好的模型，或许能解决一个基准测试问题，却仍无法用于诊室中这位具体的患者。"
通讯文章区分了五个相互关联但并不等价、却常被混为一谈的问题：传统多模态融合、对模态缺失的鲁棒性、时间感知建模、考虑不确定性的选择性预测，以及基于临床信息解释某一模态为何不可用。最后一项将临床数据生成过程与疾病过程相连接，也是作者所提框架的核心。
数据缺失本身是一种临床观察
作者指出，现有多数多模态AI研究将数据缺失视为需要清洗的异常；但在临床中，一项检查之所以缺失，可能是因为临床认为没有必要、已开单但未完成、未通过质量控制、当时不具备条件，或在数据链接过程中丢失。这些情形产生的是同一个空字段，含义却截然不同。因此，缺失本身可以携带关于患者状态、医生决策、就医可及性、机构资源以及卫生系统的信息。
作者主张，模态可用性应作为一种"观察状态"来表示，与患者状态并列，但不应与之混同。他们同时提醒，将可用性作为预测因子属于一种预测建模选择，而非关于疾病生物学的因果主张，它可能引入或放大选择偏倚，使模型学到的是机构流程而非患者生物学特征。随机模态丢弃或许能提升模型对输入缺失的鲁棒性，但无法复现自然发生的信息性共缺失。
时间决定了测量的含义
第二个挑战是不同步。心血管观察并非在同一个生物学时刻采集，其含义取决于时点、期间的干预事件以及疾病状态的变化。该通讯文章建议，每一个应用场景都应预先设定临床指标时间点（index time）、预测时间窗、回溯窗口、风险人群，以及每一项输入实际可用于决策的时间。开单、采集、报告签发与在临床系统中可获取，这几个环节应加以区分；同时应记录期间发生的干预或状态转变，以避免未来信息泄漏。
作者指出，时间有效性因模态、疾病和决策而异。一份半年前的基因组测量可能仍有参考价值，而左心室射血分数可能因期间的血运重建或心功能失代偿而失效；数天前的肌钙蛋白结果对急性就诊可能已无意义；可穿戴心律数据则可能需要采用不同的有效性窗口。
融合策略应服从临床用途
该通讯文章认为，融合策略应服从预期的临床用途，而非架构潮流。早期融合可捕捉低层次交互，但通常要求严格对齐，且对输入缺失较为脆弱；中期融合能够先学习模态特异的表征再将其映射到共享空间；晚期融合则只有在针对相应模态子集设计并评估了聚合、门控或路由方案时，才能真正支持可变的模态子集。在心血管应用中，没有任何一种策略具有内在优越性。
"推迟"不同于"不确定性"
框架的核心，是对弃权（abstention，即推迟，deferral）的操作性定义：当可用证据不满足特定应用场景的充分性标准时，预先设定的、不输出模型原本预测的决定。作者强调，推迟并不等同于概率校准、不确定性估计或分布偏移检测。总体校准良好不应被视为病例层面不确定性可靠的证据，高置信度也不应被用来排除分布偏移。
推迟的触发条件并不需要同等加权。临床必需的输入，或未通过预设质量标准的检查，可作为非补偿性的硬性中止条件；而不确定性、信息陈旧、跨模态冲突与分布偏移等分级信号，则可按预设的复合规则加以组合。作为示例，作者描述了一个假想场景：急诊科模型在急性胸痛患者分流决策点估计30天主要不良心血管事件风险。当当前心电图或肌钙蛋白结果不可用或未通过质量检查、当相关信息在时间上已失效，或当预设的不确定性与偏移标准被超出时，模型可以推迟输出。此后应分别在总体层面和临床相关亚组中考察覆盖率与选择性风险。作者强调，推迟必须触发诊疗行为，而不是中止诊疗：临床医生复核、追加检查或返回常规临床路径，都应事先明确规定。
与既有指南互补，而非替代
该框架与现有临床AI指南构成互补关系，而非替代关系。TRIPOD+AI针对预测模型报告，PROBAST+AI评估质量、偏倚风险与适用性，FUTURE-AI提供更广泛的全生命周期指引，DECIDE-AI、CONSORT-AI与SPIRIT-AI则分别针对临床评估以及试验报告与方案。
"符合某一份报告清单，本身并不构成模型安全的证据。"作者写道。他们认为，本文的独特贡献在于提出了一个针对心血管多模态、面向预期用途的框架：它将观察状态与患者状态分离，保留不同步的临床背景，并使证据充分性、选择性预测及下游推迟路径显式化。
评估应以预期用途为出发点
该通讯文章提出了最低评估套件的五项候选条件，并建议根据每个应用的人群、场景、决策点、预测时间窗、可用输入、行动阈值与错误后果加以调整：输入完整时的表现；逐一移除各临床关键模态；自然发生的共缺失模式；临床相关程度的时间陈旧性；以及在地理与时间维度上均为外部的数据。
作者建议的报告内容应包括：非推迟预测的区分度与校准度、覆盖率、不同覆盖率水平下的选择性风险或误差、推迟的频率与原因、亚组特异的误差与推迟率，以及随信息变旧或变得不完整而出现的性能退化。他们指出，"关键模态""真实共缺失"与"可靠预测"都因应用场景而异，并不具有普适性；在适当情况下，可将现有诊疗方案或更简单的模型作为对照。
推迟与公平性
亚组分析还应判断，推迟率的升高究竟反映临床上合理的不确定性，还是反映在获取预测所需证据方面的可及性不平等。若在社会经济弱势群体或其他服务不足人群中持续出现超额推迟，应被视为潜在的公平性问题，而不是被当作一种中性的安全机制加以接受；此时应审视输入可得性、推迟阈值以及替代诊疗路径的可及性。相应的缓解措施可能需要改善数据可得性或替代路径，而不仅仅是放宽推迟阈值。
从开发到部署
作者建议，临床转化应遵循分阶段路径：先进行回顾性模型开发，随后开展在地理与时间上独立的验证；再进行"静默"前瞻性评估，以判断在不影响诊疗的前提下、由实时临床数据生成预测时性能是否仍然稳定；之后开展早期临床研究，评估可用性、人因、工作流整合、失效模式，以及对缺失信息、不确定性与推迟的沟通；只有在此之后，才进入以患者结局与卫生经济学结局为终点的实用性试验。
落实这一框架，要求数据集保留溯源元数据：检查为何未做；观察何时开单、采集、报告与在临床中可用；期间发生的临床事件；质量控制失败；数据丢失的原因；以及输入是如何被转换的。许多公开数据集并未一致地记录这些字段；作者因此主张，若要实现可重复的、可推迟的多模态AI评估，数据集管理者应将此类信息视为核心元数据。
部署之后的治理同样不可缺失。一个在投入使用时尚属安全的系统，可能随着人群、诊断路径、影像硬件、治疗实践、模态可用性，或数据源之间关系的变化而退化。部署机构与模型所有者应明确监督责任，并预设再验证的触发条件；一旦触发，应对模型进行再验证，若无法确认其安全性，则应暂停或回滚。
文章信息：
Multimodal AI for Cardiovascular Care Must Learn When Not to Predict.
Medicine Discovery, 2026.
原文链接：https://www.sciencedirect.com/science/article/pii/S3117928226000044
DOI：10.1016/j.medd.2026.100004
期刊简介
Medicine Discovery（ISSN: 3117-9282）是由南方医科大学珠江医院主办、与科爱（KeAi）合作出版、通过ScienceDirect平台全球发行的同行评审国际开放获取期刊。期刊致力于发表连接机制发现与临床实施的高质量转化医学研究，设有五个栏目，涵盖机制与系统医学、转化与临床研究、数字医疗与数据驱动型医疗保健、治疗创新与生物医学工程，以及方法学、标准与实施科学。
官网：https://www.sciencedirect.com/journal/medicine-discovery
投稿：https://www.editorialmanager.com/medd/default2.aspx
Method of Research
Commentary/editorial
Article Title
Multimodal AI for cardiovascular care must learn when not to predict