12.16-12. 22 临床预测模型研究顶刊快报

1. 用于严重潜在诊断的简短已解决的未解释事件（BRUE）预测规则的外部验证12.16 JAMA Pediatrics

2. 慢性阻塞性肺病全球防治倡议加重史类别和疾病结局化历史类别和疾病结果  12.18 JAMA Network Open

1. 基于机器学习模型的开发和验证，以预测肝硬化患者经颈静脉肝内门体分流术后的生存率 12.16 eClinicalMedicine

2. 在孟加拉国达卡评价一种用于肠热病的即时免疫层析检测：一项前瞻性诊断准确性研究 12.16 The Lancet Microbe  

3. 先天或后天：成人肥胖的遗传和环境预测因素 12.16 eBioMedicine 

4. M&M：基于RNA测序的儿科肿瘤泛癌症分类器 12.21 eBioMedicine 

1. 用于严重潜在诊断的简短已解决的未解释事件（BRUE）预测规则的外部验证

External Validation of Brief Resolved Unexplained Events Prediction Rules for Serious Underlying Diagnosis

(1) 目的：对新的简短已解决的未解释事件（BRUE）预测规则进行外部验证，并将其与美国儿科学会（AAP）高风险标准进行比较。

(2) 结论：这项多中心队列研究的结果表明，BRUE预测规则在外部地理验证方面优于AAP高风险标准，重新校准后性能有所提高。这些规则为临床医生和家庭提供了一个更精确的工具，以支持基于个人风险承受能力的决策。

2. 慢性阻塞性肺病全球防治倡议加重史类别和疾病结局

GOLD COPD Exacerbation History Categories and Disease Outcomes

(1) 目的：评估全球慢性阻塞性肺疾病倡议（GOLD）所定义的慢性阻塞性肺疾病急性加重（ECOPD）历史类别在预测未来慢性阻塞性肺疾病（COPD）急性加重和全因死亡率方面的表现如何。

结论：本研究的结果表明，全球慢性阻塞性肺疾病倡议对慢性阻塞性肺疾病急性加重历史类别的估计性能有限。建议采用新的临界值，根据12个月内1次或多次中度ECOPD、1次或多次重度ECOPD或两者兼而有之的病史，将患者分类为无恶化或有高风险恶化。

1. 基于机器学习模型的开发和验证，以预测肝硬化患者经颈静脉肝内门体分流术后的生存率

Development and validation of a machine learning-based model to predict survival in patients with cirrhosis after transjugular intrahepatic portosystemic shunt

(1) 背景：尽管多年来已经为肝硬化患者经颈静脉肝内门体分流术（TIPS）放置后开发了许多预后评分，但仍然没有基于机器学习的准确模型。本研究的目的是开发和验证基于机器学习的预后模型，以预测TIPS放置后肝硬化患者的生存率。

(2) 解释：本研究开发了一种随机森林模型，与其他评分相比，该模型更好地预测了肝硬化患者TIPS置入后的1年生存率。 

2. 在孟加拉国达卡评价一种用于肠热病的即时免疫层析检测：一项前瞻性诊断准确性研究

Evaluation of a point-of-care immunochromatographic assay for enteric fever in Dhaka, Bangladesh: a prospective diagnostic accuracy study

(1) 背景：目前缺乏快速、准确和低成本的检测方法来诊断肠热症（也就是伤寒和副伤寒）。在回顾性研究中，使用储存的血浆样本测试的伤寒双路径平台（DPPT）检测工具表现出高准确性。我们旨在通过前瞻性研究评估DPPT检测工具在使用指尖毛细血管血液时的诊断准确性。

(2) 解释：即时DPPT检测在高度流行社区中实现了对肠热病的高诊断准确性。该检测方法有可能改善伤寒肠热病的临床结局，实现快速诊断和治疗，并有助于促进更适当的抗菌药物使用。

3. 先天或后天：成人肥胖的遗传和环境预测因素

Nature or nurture: genetic and environmental predictors of adiposity gain in adults

(1) 背景：先前的肥胖增加预测模型尚未达到足够的临床相关性预测能力。我们调查了传统因素和遗传因素是否准确预测肥胖的增加。

(2) 解释：我们的研究表明，可以将环境模型整合到标准的预防方案中，以区分欧洲人群中那些在成年早期更容易增加体重的人。多基因风险评分（PRSs）在预测成年早期而非中晚期的体重增加方面可能发挥重要作用，这表明遗传因素在这个生命阶段更为重要。

4. M&M：基于RNA测序的儿科肿瘤泛癌症分类器

M&M: an RNA-seq based pan-cancer classifier for paediatric tumours

(1) 背景：对于许多罕见的肿瘤类型，获得正确的诊断是儿科肿瘤学中一个具有挑战性但至关重要的过程。从历史上看，这是根据疾病的组织学和形态学完成的。然而，RNA测序等基因组全谱分析技术的进步现在允许开发分子分类工具。

(2) 解释：一种基于全儿科癌症集成的机器学习算法，专门针对纳入罕见肿瘤类型（M&M）的泛癌种设置易于临床实施，只需一个分类器即可对所有传入的诊断样本进行分类，包括来自不同肿瘤分期和治疗状态的样本。同时，它的性能与现有的肿瘤和组织特异性分类器相当。在诊断中引入广泛的泛癌种分类器有可能提高许多儿科癌症病例的诊断准确性，从而有助于实现最佳患者生存率和生活质量。