心血管医学本质上依赖于多模态信息,但临床决策点上真正可用的数据,很少像基准评估所假设的那样完整、同步。近期多项综述指出,数据集不完整、数据特征异质与模态缺失,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。作者区分了五个相互关联但不等价的问题——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——并将模态可用性视为一种观察状态,而非数据缺陷。文章对"推迟"给出了操作性定义,将其与校准、不确定性估计和分布偏移检测区分开来,提出将非补偿性临床硬性中止条件与模型推导的分级信号相结合的混合推迟规则,并给出面向预期用途的最低评估套件的五项候选条件。该框架定位于对现有临床AI指南(TRIPOD+AI、PROBAST+AI、FUTURE-AI、DECIDE-AI、CONSORT-AI、SPIRIT-AI)的补充而非替代,并作为一项尚需前瞻性评估与多方共识的概念性提议。