确保风险分层癌症筛查模型中的流行病学一致性：一种基于佛兰德乳腺癌筛查的新方法

动态风险分层乳腺癌筛查马氏模型通过整合条件转移概率与预分层高风险状态，解决了现有模型中调整风险组定义或比例导致发病率失真的问题。基于佛兰德斯癌症登记数据验证，该模型能稳定复现年龄分层和癌症阶段的发病率特征，无需额外校准，且可灵活适配不同癌症或筛查场景，为政策制定者提供交互式模拟工具。

　　

摘要

目标

我们提出了一种新型的动态风险分层乳腺癌筛查马尔可夫模型，旨在无论风险分层组的数量或构成如何，都能保持癌症患病率的稳定性和流行病学一致性。这种方法解决了现有模型中的一个常见局限：改变风险组的定义或比例可能会无意中扭曲总体发病率。通过克服这一限制，该方法降低了开发交互式、灵活且与政策相关的模型的难度，这些模型可以直接与决策者共享。本文既是一种方法论贡献，也是实施的实际指南。

方法

我们的方法在传统的马尔可夫队列框架内结合了条件转移概率和预先分层的“高风险”状态。终生风险在结构层面上确定，而发病时间则由年龄特定的条件概率决定。这些组成部分直接来源于弗兰德斯的癌症登记数据，从而能够与目标人群紧密对齐，并便于进行流行病学验证。

结果

我们使用弗兰德斯的乳腺癌发病率数据进行模型验证，比较了不同年龄组和癌症阶段的预测结果。该方法无需额外校准即可一致地再现观察到的发病率模式，在风险组定义或规模发生变化时仍能保持稳定性。

结论

将预先分层的“高风险”状态与条件转移概率相结合，为在风险分层和非分层乳腺癌筛查模型中实现流行病学一致性提供了一种简单而有效的方法。该方法以数据为驱动，具有透明度，并且能够适应不同的癌症类型或筛查环境，特别适用于决策者使用的交互式模型。