多中心数据开发预测模型，TRIPOD-Cluster为何要分中心报告？

预测模型收集了八家医院的数据，论文只报告汇总后的曲线下面积，仿佛所有医院患者都来自同一个总体。TRIPOD-Cluster为使用聚类数据开发或验证诊断、预后模型的研究提供报告清单，强调不同中心、地区或来源之间的基线风险、变量和模型表现可能不一致。只给一条合并指标，读者难以判断模型到了新医院还能否正常使用。

先说明什么是一个聚类

明确聚类单位是医院、研究队列还是国家，给各中心样本、结局发生人数及纳入时间。一个大型中心占绝大多数样本时，合并指标可能主要反映这家医院；小中心的失败表现会被平均掉。若数据来自多个电子病历系统，核对变量编码和测量方式是否一致。某中心没有关键预测变量，是剔除该中心、补缺失还是换模型，需要让读者知道。

例如甲医院的患者重症比例高，乙医院以门诊轻症为主。同一模型在两处给出相同风险分数，实际风险可能不同。除了合并的区分能力，论文还应观察分中心的校准或其他适用性能，并说明不确定性。若做了按中心留一验证，清楚写出每轮哪些中心开发、哪些中心测试；不能把各中心病人的随机拆分称为外部验证。

分中心展示时，不应只画八个曲线下面积点而不写各中心结局人数；小中心事件很少时，指标会极不稳定，应给不确定性并谨慎解释。若模型在某中心需要重新校准，说明更新依据及是否使用该中心数据，不要把更新后的表现冒充未经调整的外部验证。训练集和验证集如果来自同一批中心，但只是随机拆分患者，仍可能共享设备和编码习惯，不能直接推断模型可迁移到新地区。检查中心标识是否在分析前保留，否则相关聚类问题无法补查。多个研究队列合并时，还需核对各队列的结局定义、预测变量测量时间与缺失情况。若某中心数据被排除，写明原因和对适用范围的影响。

对照清单查报告缺口

TRIPOD-Cluster关注数据来源选择、准备、偏倚风险以及模型参数和表现的聚类间差异。投稿前逐项标出正文或补充材料位置，未测聚类标识就说明原因与限制。若研究实际上没有处理聚类，应谨慎选择适用的报告框架，不能勾完清单就宣称已解决中心差异。讨论中明确哪些环境得到了支持，哪些仍未验证。

分中心报告不只是多画几张图，它让模型在不同实践场景的可用范围变得可评价。