三个学生入组后的第二周，周成让他们各自交一份研究方案。
要求很简单，没有限定方向，也没有规定必须依托现有课题。
唯一的条件，是研究问题必须来自临床，不能只从文献里找一个空缺，再想办法把它填上。
周五下午。
三个人抱着电脑进了小会议室。
林峰刚从导管室下来，也被周成叫了过来。
他原本以为只是一次普通组会，进门后才发现白板已经擦干净，桌上放着三份打印好的方案，旁边还有周成刚泡的茶。
“都准备好了？”周成问。
三个人同时点头。
“那就按照入组顺序来。”周成翻开最上面一份材料，“明远先讲。”
李明远明显准备得最充分。
他把电脑接上投影，第一页就是完整的研究框架，标题也写得很正式——钙化环定点松解术的动物实验验证及远期血管反应研究。
这项技术是周成此前针对重度冠脉钙化病变提出的操作思路。
通过腔内影像识别钙化环应力集中的位置，再进行针对性处理，尽可能减少无效扩张和正常血管壁损伤。
前期的临床结果已经发表，几篇文章也引起了不少关注，但目前积累的主要证据仍然来自临床病例和体外模型。
李明远想把这项技术向动物实验延伸。
“我的计划是建立冠脉钙化动物模型，对照传统高压球囊、旋磨和定点松解三种处理方式，观察即刻管腔获得、血管壁损伤以及远期内膜增生。”李明远站在投影幕前，语速不快，每一部分都讲得很清楚，“术后按照一个月、三个月、六个月和十二个月分批处死，完成组织病理学检查，同时结合OCT和IVUS评估血管愈合情况。”
他又切换了一页，继续介绍动物模型的构建方法、样本量估算和统计学方案。
为了提高模型稳定性，他计划先通过高脂饮食联合局部血管损伤诱导钙化，再进行影像筛查，只把形成连续环形钙化的动物纳入实验。
对照组的器械规格、扩张压力、操作时间也进行了统一设计，连术后抗血小板方案都写进去了。
林峰听到一半，已经忍不住点头，“这个方案挺完整。”
赵思思也承认：“如果能做出来，文章层次应该很高。”
李明远讲完后坐下，眼神里带着期待。
他为了这份方案查了不少资料，光动物钙化模型就对比了六种，最后选出的设计，几乎已经接近正式标书。
周成没有评价方案好坏，只问了一个问题：“你预计需要多长时间？”
李明远显然考虑过：“前期模型建立六到九个月，正式实验一年左右，最后完成病理和数据分析，大概两年半。”
“模型一次成功的情况下？”
会议室里安静了一下。
李明远迟疑片刻，点了点头：“对。”
周成继续问：“如果第一批动物没有形成稳定的环形钙化呢？”
“调整诱导方案，再做一批。”
“需要多久？”
“至少再加半年。”
“动物死亡率呢？”
李明远翻到方案后面的预实验数据：“同类研究的死亡率大约在百分之十五到百分之三十之间。我们做的是冠脉局部损伤，围手术期风险可能还会更高。”
周成点了一下屏幕上的时间表：“你博士一共几年？”
“三年。”
这次不用周成继续问，李明远也意识到了问题。
这项研究的思路很完整，逻辑也足够严谨，可它把一切都建立在理想情况下。
动物模型顺利，钙化形态符合要求，手术操作未出现大量失败，组织病理按时完成。
但任何一个环节出现延误，三年时间都会迅速耗尽。
更麻烦的是，这类模型很难稳定复制真正的人类冠脉钙化。
即便最后得到结果，也可能还要花很长时间解释模型和临床之间的差异。
“方案先放着。”周成说道，“后面再谈。”
李明远看不出他是否满意，只能先合上电脑。
……
第二个汇报的是赵思思。
她的方案延续了自己最擅长的方向，准备建立冠脉介入术后风险预测模型。
与面试时那份相对粗糙的设计相比，这一次明显完善了许多。
她计划收集患者术前临床资料、实验室指标、冠脉影像特征、介入操作信息和术后随访数据，通过机器学习预测一年内主要心血管不良事件。
模型不仅包含传统结构化数据，还准备加入造影视频提取出的影像组学特征。
“目前很多风险评分只使用年龄、肾功能、左心室射血分数这些传统指标，对病变形态和操作细节利用不够。”赵思思说道，“如果把术中影像和临床数据结合起来，理论上可以提高预测能力。”
她的投影里展示了完整的数据处理流程。
从缺失值填补、特征筛选，到训练集和验证集划分，再到不同算法之间的性能比较，图表做得很漂亮。
研究还设置了模型解释模块，方便医生了解哪些变量对预测结果影响最大。
陈雨虽然不太懂算法，但看到模型结构也觉得很厉害。
林峰翻了翻纸质方案：“你准备收多少病例？”
“先用本院近五年的介入数据库，预计能纳入一万两千例。如果数据质量可以，再联系两家合作医院进行外部验证。”
“一万多例，够用了。”林峰说道。
赵思思点头：“按照初步估算，主要终点事件数量也能满足建模需要。”
周成看着投影上的流程图，问道：“三家医院的数据一样吗？”
“变量大部分一致。”
“我问的是数据分布。”
赵思思停了一下。
周成把鼠标移到其中一组特征上：
“我们医院复杂冠脉患者比例高，腔内影像使用率也高，很多患者是外院处理困难后转过来的。”
“你联系的第二家医院以常规择期介入为主，第三家医院承担大量急诊PCI。”
“三家医院的患者来源、病变复杂程度和治疗习惯都不同，模型在本院表现很好，放到另外两家医院会怎么样？”
“可以通过外部验证判断。”
“如果验证效果很差呢？”
赵思思想了想：“重新校准模型。”
“校准以后，换一家医院还要重新做吗？”
赵思思没有立即回答。
周成皱了皱眉头，继续说道：“不同医院的检查习惯也不一样。有的医院常规做IVUS，有的医院很少使用。某个变量在我们这里缺失率只有百分之十，到了外院可能缺失百分之七十。你准备怎么处理？”
投影上的模型依旧很漂亮，问题却开始从细节里冒出来。
赵思思原本把多中心数据看成扩大样本量的办法，却没有认真考虑各医院患者构成和诊疗流程之间的差异。
算法可以把数据放进同一个表格，临床实际却不会因为表格统一就变得一致！
“我回去重新分析各中心的数据分布。”赵思思说道。
周成没有继续追问，让陈雨开始。
……