准确的参考区间是疾病诊断和健康评估的重要参考依据。传统的直接法因成本高、流程繁琐而应用受限;间接法基于真实世界数据,可低成本建立参考区间,更易于推广。在方法学上,间接法已从依赖人工判读的传统图形法(如Hoffman法、Bhattacharya法)演进为一系列稳健的统计模型(如KOSMIC法、refineR法),并进一步融入了机器学习算法(如混合密度网络、深度学习),实现了从混合数据中智能、自动地估计健康主体的参数分布。在应用层面,间接法凭借其处理海量数据的能力,成功推动了参考区间从通用向精准分层的转变,能够有效揭示并量化年龄、性别和地域等因素对生理指标的特定影响。前沿方法可超越固定分层,通过广义加性模型、形状模型和分位数回归等技术构建随年龄连续变化的动态参考曲线,并结合个体内生物学变异和个体纵向数据建立个性化参考区间。尽管面临数据质量、模型选择和临床验证等挑战,间接法与大数据的结合仍驱动着检验医学向更精准、更个性化快速发展。