02.10-02.16 临床预测模型研究顶刊快报

JAMA Network  2025/02/10-2025/02/16

THE LANCET  2025/02/10-2025/02/16

Nature  2025/02/10-2025/02/16

1. 使用血液生物标志物检测阿尔茨海默病和非阿尔茨海默病临床综合征中的阿尔茨海默病神经病理学

Detection of Alzheimer Neuropathology in Alzheimer and Non-Alzheimer Clinical Syndromes With Blood-Based Biomarkers

（1）目的：该文章旨在评估血浆磷酸化tau217（p-tau217）、胶质纤维酸性蛋白（GFAP）和神经丝轻链（NfL）等血液生物标志物在检测阿尔茨海默病（AD）中的临床价值，特别是在不同神经退行性疾病综合征中的应用。

（2）结论：研究发现，p-tau217在检测AD方面表现出较高的准确性，不仅在典型的与AD相关的临床综合征中有效，而且在通常与额颞叶变性（FTLD）神经病理相关的临床综合征中也能检测到AD。

2. 锂治疗双相情感障碍以及甲状腺功能障碍和慢性肾病的风险

Lithium for Bipolar Disorder and Risk of Thyroid Dysfunction and Chronic Kidney Disease

（1）目的：该文章旨在探讨锂治疗双相情感障碍患者的疗效，并评估其导致甲状腺功能障碍和慢性肾病的风险。

（2）结论：研究发现，锂治疗双相情感障碍患者虽然有效，但显著增加了患者患甲状腺功能减退症的风险，同时也提升了慢性肾病的发生率。

3. 30 天儿科医院再入院风险预测模型的验证

Validation of 30-Day Pediatric Hospital Readmission Risk Prediction Models

（1）目的：文章旨在通过对一套再入院风险预测模型在48家儿童医院中的时间和外部验证，评估这些模型的可推广性和未来临床实施的可行性。

（2）结论：研究结果显示，随着时间的推移，再入院风险预测模型的预测准确性有所降低，且在不同医院中的表现存在差异性。

1. 美托洛尔治疗儿童血管迷走性晕厥疗效的多变量预测模型：一项多中心研究

Multivariate predictive model of the therapeutic effects of metoprolol in paediatric vasovagal syncope: a multi-centre study

（1）背景：血管迷走性晕厥（VVS）是儿童晕厥的主要原因，显著影响患者的生活质量。本研究旨在开发预测模型，利用多种临床和生理标志物来更好地识别哪些VVS儿童最可能从美托洛尔治疗中获益，并验证这些模型在临床环境中的实用价值。

（2）解释：研究建立了一个预测美托洛尔在儿童VVS中有效性的列线图，其曲线下面积（AUC）较高，表明预测准确性高。此外，研究还发现，与无应答者相比，应答者组的QTd和QTcd值更高，而SDNN降低的患儿对美托洛尔治疗的反应更好。

2. 心血管风险预测：在巴西社区队列 PURE 研究中对非实验室评分和实验室评分进行验证

Prediction of cardiovascular risk: validation of a non-laboratory and a laboratory-based score in a Brazilian community-based cohort of the PURE study

（1）背景：本研究基于PURE研究的巴西队列数据，旨在验证两种心血管风险评分——非实验室INTERHEART风险评分（NL-IHRS）和实验室空腹胆固醇INTERHEART风险评分（FC-IHRS）的预测性能。

（2）解释：研究结果显示，NL-IHRS和FC-IHRS在预测长期主要心血管事件风险方面均表现出合理的判别准确性。此外，研究还发现，随着心血管风险评分的增加，心血管事件的年发生率也逐渐上升。

3. 对机器学习模型进行多中心验证，以预测出院后 48 小时内重症监护病房再入院情况

Multicenter validation of a machine learning model to predict intensive care unit readmission within 48 hours after discharge

（1）背景：本研究旨在开发一种可解释的机器学习模型iREAD，用于预测患者在ICU出院后48小时内的再入院风险，并通过多中心外部验证评估其泛化能力。

（2）解释：文章介绍了一种基于机器学习的预测模型iREAD，该模型能够准确预测患者在ICU出院后48小时内的再入院风险。

4. 基于超声的可解释机器学习模型的开发和验证，用于对小于等于3 cm 肝细胞癌进行分类：一项多中心回顾性诊断研究

Development and validation of an ultrasound-based interpretable machine learning model for the classification of ≤3 cm hepatocellular carcinoma: a multicentre retrospective diagnostic study

（1）背景：研究者致力于开发一种基于超声图像的可解释机器学习模型，旨在辅助医生进行更精准的诊断。

（2）解释：研究结果显示，该模型在诊断小肝癌方面具有较高的准确性和可解释性，有望为临床医生提供一种更为可靠和高效的诊断工具，从而改善患者的管理和治疗结果。

5. 基于定量血管特征的多源性恶性颈部淋巴结肿大多模态预测模型

Quantitative vascular feature-based multimodality prediction model for multi-origin malignant cervical lymphadenopathy

（1）背景：旨在通过整合定量血管特征、超声、放射组学等多种模态的数据，开发一个能够预测多源性恶性颈部淋巴结肿大的多模态预测模型。

（2）解释：研究结果显示，该多模态预测模型在区分良恶性淋巴结肿大方面具有较高的准确性和稳定性。

6. 基于疾病相关 B 细胞亚群的慢性移植物抗宿主病进展的动态预测模型：一项多中心前瞻性研究

Dynamic forecasting module for chronic graft-versus-host disease progression based on a disease-associated subpopulation of B cells: a multicenter prospective study

（1）背景：本研究旨在通过深入分析B细胞与cGVHD进展的关系，为cGVHD的预测和管理提供新的解决方案。

（2）解释：本研究通过结合光谱流式细胞术和先进的机器学习算法，系统分析了B细胞与cGVHD进展之间的关系。

7. 机器学习预测美洲印第安人和阿拉斯加原住民的痴呆症：一项回顾性队列研究

Machine learning to predict dementia for American Indian and Alaska native peoples: a retrospective cohort study

（1）背景：本研究旨在利用机器学习算法，基于AI/AN人群的电子健康记录数据，开发一个两年期的痴呆症风险预测模型。

（2）解释：研究采用了四种机器学习算法（LASSO、Ridge、Elastic Net和XGBoost）来开发预测模型，并通过内部验证评估了模型的性能。强调了为AI/AN人群开发痴呆症风险预测模型的重要性，并为该群体提供了更个性化的痴呆症风险评估方法，有助于改善痴呆症的早期识别和干预。

8. 基于机器学习的首发双相情感障碍死亡风险评估：一项跨诊断外部验证研究

Machine learning-based mortality risk assessment in first-episode bipolar disorder: a transdiagnostic external validation study

（1）背景：本研究通过一项跨诊断外部验证研究，评估了MIRACLE-FEP模型在预测首发双相情感障碍患者长期死亡风险中的有效性和可靠性。

（2）解释：研究结果显示，MIRACLE-FEP模型在两个独立的队列中均表现出良好的预测性能。

9. 使用多模态内窥镜数据进行实时人工智能辅助鼻咽癌检测和分割：一项多中心、前瞻性研究

Real-time artificial intelligence-assisted detection and segmentation of nasopharyngeal carcinoma using multimodal endoscopic data: a multi-center, prospective study

（1）背景：本研究旨在开发和验证一个AI辅助系统，利用白光成像（WLI）和窄带成像（NBI）内窥镜模态，实现鼻咽癌的实时检测和分割。

（2）解释：本研究在多家三级医院进行，通过前瞻性收集实时鼻内窥镜视频数据，开发了NPC-SDNet模型。通过内部和外部测试，NPC-SDNet表现出了高精确度、准确度和敏感性。

1. 人工智能直接向医生报告动态心电图

Artificial intelligence for direct-to-physician reporting of ambulatory electrocardiography

（1）介绍：研究者开发了一种名为DeepRhythmAI的人工智能模型，旨在自动分析动态心电图数据，并直接向医生报告结果。该模型的设计目标是减少假阳性和假阴性诊断，提高诊断的准确性，并降低医疗成本，从而改善需要ECG监测患者的护理质量和结果。

（2）结果：研究结果显示，DeepRhythmAI模型在直接向医生报告动态心电图数据方面表现优异。与技术人员的手动分析相比，AI模型在识别关键心律失常方面展现出了高准确性和一致性，特别是在检测房颤（AF）≥30秒等关键指标时，表现尤为突出。

2. 用于肺癌筛查的医学多模态多任务基础模型

Medical multimodal multitask foundation model for lung cancer screening

（1）介绍：本文介绍了一种用于肺癌筛查的医学多模态多任务基础模型(M3FM)，旨在通过结合多种数据模式（如影像和文本）来提升肺癌筛查的准确性与效率。

（2）结果：研究开发并验证了一个基于大规模图像-文本模型的CT多任务学习框架。实验结果表明，M3FM模型在多项任务中表现出色，包括但不限于肺结节检测和免疫治疗引起的肺炎预测。

3. 通过产前无细胞 DNA 筛查预测先兆子痫风险

Preeclampsia risk prediction from prenatal cell-free DNA screening

（1）介绍：研究团队旨在开发一种能无缝融入常规实践的工具，以显著降低先兆子痫的广泛不良后遗症。

（2）结果：研究结果显示，研究团队通过从华盛顿大学获得的样本数据，开发了一个框架，能够准确量化母体血浆中的组织贡献，并在临床症状出现前数月预测先兆子痫风险。结果表明，基于cfDNA核小体分析的方法可靠地预测了先兆子痫风险，可能为未来的临床实践提供一种新的工具。

4. 根据细胞 c-Fos 表达的全脑成像对迷幻药和精神活性药物进行分类

Classification of psychedelics and psychoactive drugs based on brain-wide imaging of cellular c-Fos expression

（1）介绍：该研究利用了高通量的全脑成像技术，对多种迷幻药和精神活性药物引起的c-Fos表达进行了全面分析。通过机器学习模型，研究旨在发现不同药物引起的c-Fos表达模式的差异，从而为药物分类和新型药物的研发提供科学依据。

（2）结果：研究结果显示，基于全脑成像的c-Fos表达分析可以准确地区分不同药物引起的神经活动模式。通过使用Shapley添加解释法，研究确定了驱动分类预测的关键脑区。研究还发现，一些经典迷幻药和精神活性药物具有独特的c-Fos表达模式，这些模式可以作为药物分类的生物学标志。此外，该研究还建立了一个包含多种药物的分类模型，该模型在药物分类任务中表现出了高准确性和稳定性。

5. 评估生成式人工智能中的规范表征学习，以实现脑成像中的稳健异常检测

Evaluating normative representation learning in generative AI for robust anomaly detection in brain imaging

（1）介绍：文章聚焦于生成式AI在医学成像领域，尤其是脑成像异常检测中的最新进展。文章回顾了从自动编码器（AEs）到变分自动编码器（VAEs）再到生成对抗网络（GANs）等技术的演进，这些技术推动了无监督异常检测（UAD）的发展。文章还阐述了如何通过压缩或扩散过程等技术实现规范表征学习，并强调了生成式AI在捕捉医学图像中“正常”状态的微妙特征方面的创新。

（2）结果：结果表明，生成式AI模型在识别脑成像中的异常方面表现出色，特别是在处理高维数据和复杂解剖结构时。此外，文章还讨论了如何平衡图像质量和异常校正，以及减轻近零异常分数对整体评估的影响。‘

6. 学习和运用癌细胞药物敏感性的一般原则

Learning and actioning general principles of cancer cell drug sensitivity

（1）介绍：该研究旨在通过大型癌症细胞系药物敏感性数据集，利用机器学习和大型语言模型（LLMs）来预测药物反应，并着重于模型的可解释性和在患者数据上的应用。本研究开发了一个基于GDSC和PRISM数据集的机器学习算法，以增强模型的可解释性，并促进特征选择。

（2）结果：研究结果显示，该团队成功地开发了一个可解释的机器学习框架。研究发现，药物敏感性模型能够学习到药物作用机制和细胞生存必需基因之间的相互作用，这对于预测药物敏感性至关重要。