01.20-02.09 临床预测模型研究顶刊快报

JAMA Network  

2025/01/20-2025/02/09

1. 用于识别有神经系统发病风险的危重儿童的可互作模型  2.4  JAMA Network Open 

2. 使用机器学习评估单纯性尿路感染的管理  1.31  JAMA Network Open 

3. Walte指数对老年人住院后死亡率预测的外部验证  1.22  JAMA Network Open 

4. 乳腺癌相关淋巴水肿5因素风险模型的外部验证  1.21  JAMA Network Open 

THE LANCET  

2025/01/20-2025/02/09

1. 利用管理患者数据中的时间模式来预测急诊入院风险  2月 The Lancet Digital Health

2. De Novo暴露组地理空间组装慢性病区域与机器学习和网络分析  1.31  eBioMedicine

3. 开发和验证用于感染性胰腺坏死患者死亡率预测的可解释机器学习模型  1.22  eClinicalMedicine

JAMA Network

1. 用于识别有神经系统发病风险的危重儿童的可互作模型

Interoperable Models for Identifying Critically Ill Children at Risk of Neurologic Morbidity

(1) 目的：开发机器学习模型，用于识别危重症住院儿科患者的获得性神经系统发病率，并评估与当代基于血清的脑损伤衍生生物标志物的相关性。

(2) 结论：这项用于检测危重儿童神经系统发病率的预测模型的预后研究表明，一组具有生物分子佐证的模型表现良好。有必要对儿科危重症中的生物标志物耦合风险模型进行前瞻性评估和改进。

2. 使用机器学习评估单纯性尿路感染的管理

Use of Machine Learning to Assess the Management of Uncomplicated Urinary Tract Infection

(1) 目的：重新评价当代临床实践中一线抗生素、氟喹诺酮类和口服β-内酰胺类药物治疗单纯性尿路感染（UTI）的有效性和不良事件概况。

(2) 结论：在这项来自大型区域索赔数据集的无并发症UTI患者的队列研究中，近14年前发布的国家治疗指南继续推荐最佳治疗方法。这些结果还提供了原理证明，即格式化为观察性医学成果伙伴关系（OMOP）通用数据的自动特征提取方法可以模拟手动策划的模型，从而提高可重复性和泛化性。

3. Walte指数对老年人住院后死亡率预测的外部验证

External Validation of the Walter Index for Posthospitalization Mortality Prediction in Older Adults

(1) 目的：评价Walter指数预测巴西老年住院患者住院后死亡风险的外部效度。

(2) 结论：在这项针对巴西住院老年人的预后研究中，Walter指数在预测出院后死亡率方面显示出与2年前在美国类似的区分。这些发现强调了对已建立的预后工具进行持续验证和潜在修改的必要性，以提高其在不同地区的适用性。

4. 乳腺癌相关淋巴水肿5因素风险模型的外部验证

External Validation of a 5-Factor Risk Model for Breast Cancer–Related Lymphedema

(1) 目的：通过将先前报道的5因素模型应用于独立的乳腺癌患者队列来研究其外部效度。

(2) 结论：这些发现验证了5因素风险模型对2年无淋巴水肿生存期（LFS）预测的性能。该模型的未来临床转化有助于识别乳腺癌相关淋巴水肿风险最高的患者，以促进更密切的监测和/或预防性管理，以改善健康结果和生活质量。

THE LANCET

1. 利用管理患者数据中的时间模式来预测急诊入院风险

Harnessing temporal patterns in administrative patient data to predict risk of emergency hospital admission

(1) 背景：计划外入院与更糟糕的患者预后有关，并给全球卫生系统带来压力。初级保健电子健康记录（EHR）已成功用于创建紧急住院预测模型，但这些方法需要广泛的诊断、生理和实验室值。在这项研究中，我们旨在从EHR数据中捕获患者活动的时间模式，并评估与传统方法相比，它们在预测急诊入院方面的有效性。

(2) 解释：开发了一种新颖的机器学习管道，可以从EHR数据的简单表示中提取可解释的时间模式，并可以纳入急诊入院预测器。这个框架可能使简洁的临床预测模型能够更快速地开发。

2. De Novo暴露组地理空间组装慢性病区域与机器学习和网络分析  

De Novo exposomic geospatial assembly of chronic disease regions with machine learning & network analysis

(1) 背景：确定疾病和暴露组之间的空间关系受到可用方法的限制。暴露组学和流行病学关系投影算法（aPEER）使用机器学习（ML）和网络分析来查找美国疾病与暴露组学之间的空间关系。

(2) 解释：aPEER确定了一个与慢性病相关的污染定义地理区域，突出了aPEER在流行病学和地理空间分析中的作用，以及暴露组学在理解慢性病地理学中的作用。

3. 开发和验证用于感染性胰腺坏死患者死亡率预测的可解释机器学习模型

Development and validation of an explainable machine learning model for mortality prediction among patients with infected pancreatic necrosis

(1) 背景：感染性胰腺坏死（IPN）是急性胰腺炎的一种严重并发症，通常与15%至35%的死亡率有关。然而，目前IPN的死亡率预测工具有限，缺乏足够的敏感性和特异性。本研究旨在开发和验证一种可解释的机器学习（ML）模型，用于预测IPN患者的死亡。

(2) 解释：用于IPN患者死亡预测的可解释ML模型是可行且有效的，表明其在指导临床管理和改善患者预后方面具有卓越的潜力。为优化模型生成的两个可公开访问的网络工具促进了其在临床环境中的实用性。