三种LDL-C估算公式在阈值处不一致时准确率降至48%-61%，一个可解释校准模型把分类准确率提高19-25个百分点
核心概要
该研究以直接LDL-C为参考标准，在10 799份All of Us血脂面板上按70、100、130 mg/dL三个临床阈值把三种LDL-C估算公式（Friedewald、Sampson/NIH、Martin-Hopkins）分为“一致”与“不一致”两类，发现一致时（占86%-92%）准确率为92%-96%，不一致时（占8%-14%）降至48%-61%；随后提出一个可解释的“状态感知”校准模型，其平均绝对误差为8.98 mg/dL，与最佳机器学习集成（9.01 mg/dL，差值95% CI -0.35至0.29 mg/dL）相当，在14 549份MIMIC-IV外部面板中于跨阈值面板上比各阈值最佳单一公式高3.5
深度剖析
公式之间的不一致本身就是一个零成本的不确定性信号，可用来定位最可能被错误分类的患者。 以往实验室通常只报告三种可算公式中的一种，而该研究把“三公式是否落在阈值同一侧”直接当作分层变量，无需额外检测即可获得风险分层。 基于10 799份All of Us血脂面板、以直接LDL-C为参考标准，在70、100、130 mg/dL三个阈值上分层；一致组占86%-92%、准确率92%-96%，不一致组占8%-14%、准确率48%-61%。
一个简单、可解释的状态感知校准模型在不牺牲精度的前提下改善了阈值分类。 该模型与7种机器学习方法在5折交叉验证下比较，平均绝对误差8.98 mg/dL与最佳ML集成9.01 mg/dL相当（差值95% CI -0.35至0.29 mg/dL），但保持了可解释性。 内部5折交叉验证的平均绝对误差对比及置信区间；外部在14 549份MIMIC-IV医院面板上验证。
在跨阈值（split-threshold）面板这一高风险亚组中，校准带来的分类收益最大。 外部验证显示该模型在每个阈值上比表现最好的单一公式高3.5-9.0个百分点，比多数投票高18.5-25.2个百分点；校准使准确率提升19-25个百分点。 外部验证队列为14 549份MIMIC-IV面板；混合路由在内部达到90%-93%、外部达到90%-94%的准确率。
启示与展望
该结果面向使用标准血脂面板、以直接LDL-C为参考的实验室与临床场景：任何能算出Friedewald、Sampson/NIH、Martin-Hopkins三种公式的机构都可先按“一致/不一致”分层，再对不一致亚组应用状态感知校准与混合路由。内部数据来自All of Us，外部来自MIMIC-IV医院重症面板，因此方法适用于成人血脂面板的阈值分类，尤其是70、100、130 mg/dL附近的决策点。
本次加载的仅为摘要，缺少图表、模型细节与亚组分析，因此校准模型的具体形式、混合路由的触发条件以及在不同人群（如非All of Us、非MIMIC-IV人群）中的表现仍需查看全文确认。此外，摘要未说明不一致组中三种公式各自的表现差异，也未给出校准模型在极端血脂值下的行为，这些是读者在应用前值得留意的开放问题。