临床预测的性能饱和可能由两类因素导致：一是学习算法未能充分利用已有信息，二是记录的变量本身设定了人口层面的上限。我们将这两者分别定义为 学习者差距（learner gap）和 测量通道天花板（measurement‑channel ceiling）。
在总变差（total‑variation）分离的框架下，最优的平衡准确率（balanced accuracy）可以用来区分这两类限制，从而实现模型结构不变性（architecture invariance）以及在替换污染（replacement contamination）情形下的锐利部分可识别性（partial‑identification）结果。基于交叉拟合（cross‑fitting）我们提出了天花板估计器，并给出多模态决策改进的精确条件。
为实现有限样本下的诊断，我们引入了两项工具：标签置换乐观下界（label‑permutation optimism floor）和欠拟合曲线（underfit curve）。在三个真实数据集上进行验证：UCI 再入院（$n=99{,}343$）、BRFSS 糖尿病（$n=253{,}680$）以及 NHANES HbA1c（$n=10{,}219$）。结果显示，经过精细调参的梯度提升模型在 UCI 与 BRFSS 数据上几乎逼近估计的天花板，而故意或实际表现不足的学习器仍保留显著差距。NHANES 数据揭示问卷与实验测量的单独边际天花板差异不显著，但二者的联合互补增益显著，否定了“客观模态必然占优”的简化观点。
所有数据集的 AUROC 提升幅度有限，但贝叶斯决策翻转率（Bayes decision‑flip rate）提升显著；不同模型结构往往估计出相似的天花板，却在实际平衡准确率上出现大幅差异。随后，我们依据 PRISMA 方法对 104 项临床任务进行综合，发现跨越 18 类疾病的通道层面规律重复出现：存在一个宽泛但非全局的结构化临床区间、同一通道内的增益随模型族而递减、以及测量通道变换时性能提升。
该框架将饱和现象从经验观察转化为可审计的决策依据：当学习者差距仍存时改进模型，当测量天花板已达时提升数据采集。
点评