医生想知道的往往不只是“患者一年后有多大概率未确诊”，还包括“更可能在什么时候确诊”。更麻烦的是，血压、检验指标或认知评分会在随访中不断变化，答案也该随之更新。Carvisiglia 等人的工作，正是为仍在随访且尚未发生事件的个体，动态生成事件时间区间，而不是只给某个时点的存活概率。
方法先用 PRC（Penalized Regression Calibration）整理截至当前的多次测量：线性混合模型把每个人不规则的指标轨迹压缩成个体特征，再由 Cox 模型估计此后的生存曲线。最关键的一步，是不直接把曲线反推成区间，而是加入共形校准——利用既有样本的预测误差调整区间，并专门处理右删失，即随访结束时只知道事件尚未发生、却不知道准确时间的记录。
作者在模拟实验和 ADNI 痴呆诊断数据上称，直接反推的区间常不可靠，共形方法的预测表现更稳定。这项工作的价值不在于给出一次性的“倒计时”，而在于每次新测量到来后，都能重算一个经过校准的时间范围；不过材料未披露具体覆盖率和区间长度数字。