12.23-12. 29 临床预测模型研究顶刊快报

1. 用于识别水通道蛋白4抗体（AQP4-IgG）阳性视神经脊髓炎谱系障碍疾病活动的血液生物标志物  12.23  JAMA Neurology

2. 用于预测晚期非小细胞肺癌免疫治疗反应的深度学习模型  12.26  JAMA Oncology 

1. 为什么在临床上实施机器学习算法不是即插即用的解决方案：用于急性白血病亚型诊断的机器学习算法的模拟研究  12.24  eBioMedicine 

简化冠状动脉疾病风险分层：开发和验证与临床风险工具相当的基于问卷的替代方案  12.24  eBioMedicine

1. 用于识别水通道蛋白4抗体（AQP4-IgG）阳性视神经脊髓炎谱系障碍疾病活动的血液生物标志物

Blood-Based Biomarkers for Identifying Disease Activity in AQP4-IgG-Positive Neuromyelitis Optica Spectrum Disorder

(1) 目的：确定评估血清神经胶质纤维酸性蛋白（sGFAP）和血清神经丝轻链（sNfL）的最佳时机，建立区分视神经脊髓炎谱系障碍（NMOSD）发作和缓解的临界值，并在独立队列中评估这些发现。

(2) 结论：这项纵向队列研究确定了sGFAP和sNfL的最佳时间和阈值，这在独立队列中是一致的，支持这些生物标志物在区分NMOSD发作和缓解方面的有效性。 

2. 用于预测晚期非小细胞肺癌免疫治疗反应的深度学习模型

Deep Learning Model for Predicting Immunotherapy Response in Advanced Non−Small Cell Lung Cancer

(1) 目的：开发一种基于监督深度学习的免疫检查点抑制剂（ICI）反应预测方法；与其他已知的预测生物标志物一起评估其性能；并评估其与晚期非小细胞肺癌（NSCLC）患者临床结果的相关性。

(2) 结论：这项队列研究的结果表明，不同队列中NSCLC患者的ICI反应具有强大且独立的深度学习特征。这种深度学习模型的临床使用可以提高治疗精度，并更好地识别可能受益于ICI治疗晚期NSCLC的患者。

1. 为什么在临床上实施机器学习算法不是即插即用的解决方案：用于急性白血病亚型诊断的机器学习算法的模拟研究

Why implementing machine learning algorithms in the clinic is not a plug-and-play solution: a simulation study of a machine learning algorithm for acute leukaemia subtype diagnosis

(1) 背景：人工智能和机器学习算法在临床医学中显示出巨大的前景。尽管已发布的算法数量不断增加，但大多数算法仍未在实际临床环境中得到验证。本研究旨在模拟最近开发人工智能机器学习算法的实际实施挑战，该算法旨在诊断急性白血病并报告其性能。

(2) 解释：这些发现强调了在临床实践中实施机器学习算法的挑战。尽管在研究环境中进行了稳健的开发和验证，但像人工智能这样的机器学习模型可能需要进行重大调整和重新校准，以保持在不同临床环境中的性能。我们的结果表明，临床决策支持算法在集成到常规护理之前应经过局部性能验证，以确保可靠性和安全性。

2. 简化冠状动脉疾病风险分层：开发和验证与临床风险工具相当的基于问卷的替代方案

Simplifying coronary artery disease risk stratification: development and validation of a questionnaire-based alternative comparable to clinical risk tools

(1) 背景：冠状动脉疾病（CAD）是欧洲人口和全球发病率和死亡率的主要原因之一。所有已建立的临床风险分层评分和模型都需要血脂和体格测量。欧盟委员会的最新报告表明，从物流和成本的角度来看，吸引卫生专业人员收集这些数据可能具有挑战性，这限制了已建立模型的有用性，并使它们不适合在资源有限环境（即农村地区）进行全人群筛查。因此，本研究的目的是以最低的成本在人群规模上开发和外部验证基于问卷的风险分层模型，即基于问卷的冠状动脉疾病估计评估（QUES-CAD），以对冠状动脉疾病的10年发病率进行分层。

(2) 解释：QUES-CAD的性能与已建立的临床预测模型相当，并能够在人群范围内识别CAD的高危个体。本文开发和验证的模型仅依赖于十个问卷变量，克服了现有模型依赖于物理测量或生物标志物的局限性。