像从一叠病历里挑出“最关键的风险因素”，名单看似已经定了，但换一批相似患者，答案可能完全不同。Lasso——一种会把部分变量系数压到零的筛选方法——正有这个问题。若直接把它选出的变量交给 Cox 模型（用于分析复发等事件多久发生），再按固定名单计算误差，就会漏掉筛选本身的波动。
作者在每次 Bootstrap 重抽样中重新运行 Lasso，再拟合不带惩罚的 Cox 模型。最直观的结果来自 NKI70 乳腺癌数据：144 名患者、70 个候选基因中，原分析选出4个基因；在500次重抽样里，这套完整名单只重现了0.6%。单个基因也不一样：PRC1 再次入选率为78.4%，QSCN6L1为48.6%。模拟中，固定名单的区间经常覆盖不足；重新筛选通常让覆盖率更接近设定水平，但效果随场景和系数而变。说白了，这不是一剂通用修正，却提醒我们：变量选完了，不等于不确定性也算完了。