02.24-03.02 临床预测模型研究顶刊快报

1. 利用机器学习研究住院在巴西登革热传播动态中的作用：一项关于卫生系统复原力的生态学研究  02.24  The Lancet Regional Health - Americas

2.  人工智能预测冠状动脉搭桥术后新发房颤的性能  02.24  eClinicalMedicine

3. 使用常规临床特征来优化 2 型糖尿病处方的五类药物模型：预测模型开发和验证研究  02.25  The Lancet

4. 基于深度学习的非肌层浸润性膀胱癌全切片图像早期复发及治疗反应预测模型：一项回顾性、多中心研究  02.25  eClinicalMedicine

5. 脉冲振荡法预测中国人群 COPD 筛查中 FEV 1 /FVC 比值异常的公式：一项多中心横断面研究  02.26  The Lancet Regional Health - Western Pacific

6. 利用时间序列深度学习定期收集的临床数据来改善细菌血流感染的识别：一项回顾性队列研究  03.01  The Lancet. Digital health

1. 支持多任务、多中心医学图像分析的通用轻量级视觉基础模型框架  03.01  Nature Communications

2. 应用于临床研究的预训练转换器可提高对治疗效果和相关生物标志物的预测  03.01  Nature Communications

THE LANCET

1. 利用机器学习研究住院在巴西登革热传播动态中的作用：一项关于卫生系统复原力的生态学研究

Leveraging machine learning on the role of hospitalizations in the dynamics of dengue spread in Brazil: an ecological study of health systems resilience

（1） 背景：研究旨在通过机器学习分析2010-2024年巴西各首府城市的基本公共卫生职能（如医疗资源、门诊服务、疫苗接种）与登革热结果（住院、死亡）的关联，以揭示卫生系统韧性动态，为政策制定提供依据。

（2） 解释：研究通过回归树模型发现，住院治疗是影响登革热死亡率的核心变量：住院数低于360的城市死亡率较高（占61%），而住院数大于954的地区中，门诊咨询量超过240万次的首府死亡率仅5%，表明门诊服务在重症预防中起关键作用。

 2. 人工智能预测冠状动脉搭桥术后新发房颤的性能

Performance of an AI prediction tool for new-onset atrial fibrillation after coronary artery bypass grafting

（1） 背景：冠状动脉搭桥术（CABG）是治疗严重冠心病的重要手段，但术后新发房颤（NOAF）发生率高达20%-40%，与住院时间延长、中风风险增加及长期死亡率上升密切相关。本研究旨在利用AI技术整合多因素数据，开发更精准的术前预测工具，以优化个体化干预策略。

（2） 解释：研究回顾性纳入中国两家三级医院2994例CABG患者数据，通过集成学习构建堆叠模型（结合11种基学习器），并严格进行内外验证。模型在外部验证中表现出色（AUC 0.931，F1分数0.797），显著优于传统工具（如POAF评分AUC 0.667）。

 3. 使用常规临床特征来优化2型糖尿病处方的五类药物模型：预测模型开发和验证研究

A five-drug class model using routinely available clinical features to optimise prescribing in type 2 diabetes: a prediction model development and validation study

（1） 背景：本研究旨在开发首个基于常规临床数据（如年龄、糖尿病病程、基线糖化血红蛋白[HbA1c]、肾功能等九项指标）的五类药物预测模型，以优化个体化治疗选择，延长血糖稳定期并降低长期并发症风险。

（2） 解释：模型显示，与未按推荐治疗的患者相比，模型推荐组12个月HbA1c平均降低5.3 mmol/mol，且在校正的临床试验数据（如TriMaster交叉试验）中预测准确性一致。GLP-1受体激动剂对女性患者更优，而SGLT2抑制剂在高HbA1c和肾功能正常者中效果突出。尽管当前仅17.8%的治疗符合模型推荐，但全人群模拟显示全面应用可降低平均HbA1c达4.3 mmol/mol。

 4. 基于深度学习的非肌层浸润性膀胱癌全切片图像早期复发及治疗反应预测模型：一项回顾性、多中心研究

Deep learning-based model for prediction of early recurrence and therapy response on whole slide images in non-muscle-invasive bladder cancer: a retrospective, multicentre study

（1） 背景：本研究旨在开发一种结合H&E和IHC染色全切片图像（WSI）的深度学习模型（ERPM），以更精准预测非肌层浸润性膀胱癌的早期复发及治疗反应（TRPM），为个体化治疗和随访提供依据。

（2） 解释：结果显示，ERPM在内部验证队列中AUC达0.837，显著优于临床模型（AUC 0.645）和仅H&E模型（AUC 0.737），且在外部验证中保持稳健（AUC 0.761-0.802）。生存分析表明，ERPM高风险组无复发生存期显著缩短（HR=4.50）。TRPM通过5折交叉验证预测BCG无应答的准确率达84.1%，并能识别进展高风险患者。

 5. 脉冲振荡法预测中国人群COPD筛查中FEV 1/FVC比值异常的公式：一项多中心横断面研究

Impulse oscillometry-derived equation for prediction of abnormal FEV1/FVC ratio for COPD screening in Chinese population: a multicenter cross-sectional study

（1） 背景：本研究旨在开发基于人口统计学和IOS参数的方程，预测FEV1/FVC比值，以简化COPD筛查流程，弥补现有问卷筛查敏感性不足及肺功能检测的局限性，为基层医疗提供高效工具。

（2） 解释：结果显示，预测FEV1/FVC的误差较低（MAE=0.061，RMSE=0.083），内部验证识别气流受限（AO）和COPD的AUC分别为0.822和0.849，外部验证为0.790和0.828。基于预测值，研究提出三分类算法：预测值<0.7为“可能COPD”，0.7-0.73为“可疑”，>0.73为“非COPD”。该算法敏感性88.0%、特异性77.0%，阴性预测值（NPV）高达93.7%-98.6%，能有效排除非COPD患者，减少不必要的肺功能检测。

6. 利用时间序列深度学习定期收集的临床数据来改善细菌血流感染的识别：一项回顾性队列研究

Utilising routinely collected clinical data through time series deep learning to improve identification of bacterial bloodstream infections: a retrospective cohort study.

（1） 背景：现有临床评分系统和机器学习模型多依赖单时间点静态数据，未能有效捕捉感染动态变化，尤其在医院获得性BSI中诊断延迟更为显著。本研究旨在通过深度学习模型分析患者住院期间连续14天的生物标志物（如C反应蛋白、血小板计数）和时间序列数据，以提升BSI的早期预测能力，优化诊断流程和抗生素管理。

（2） 解释：模型通过五折交叉验证和独立测试集评估，结果显示LSTM在测试集的AUROC达0.97，显著优于传统逻辑回归模型（AUROC 0.74）。动态特征中，C反应蛋白升高、嗜酸性粒细胞减少和血小板下降是预测BSI的关键指标。反事实分析（打乱时间序列顺序）表明，时间信息对模型性能至关重要，尤其对医院获得性BSI（占62.2%）。

Nature

1. 支持多任务、多中心医学图像分析的通用轻量级视觉基础模型框架

General lightweight framework for vision foundation model supporting multi-task and multi-center medical image analysis

（1） 介绍：该文章提出了一种名为VFMGL（Vision Foundation Model General Lightweight）的轻量级框架，旨在解决医学图像分析中因数据异质性、隐私限制和计算资源需求高而阻碍视觉基础模型（VFM）应用的问题。

（2） 结果：文章通过四个医学任务验证了VFMGL的性能：1）子宫内膜癌MRI肌层浸润识别，VFMGL在四个中心的平均AUC提升8.9%-11.4%，外部验证AUC达0.742；2）乳腺癌淋巴结转移病理切片分类，在Camelyon17数据集上平均准确率超97%，AUC达0.999；3）前列腺MRI分割，平均Dice系数达0.93，敏感性和特异性分别达0.91和0.99；4）多器官细胞核分割，Dice系数0.75-0.79，优于对比方法。

 2. 应用于临床研究的预训练转换器可提高对治疗效果和相关生物标志物的预测

Pretrained transformers applied to clinical studies improve predictions of treatment efficacy and associated biomarkers

（1） 介绍：该研究针对癌症治疗中患者反应预测的挑战，提出了一种名为“Clinical Transformer”的可解释深度学习框架。该框架旨在解决临床数据的高噪声、高维度及缺失值问题，并通过预训练大规模公共数据集（如TCGA、GENIE）提升小样本任务的预测性能，为精准医疗提供支持。

（2） 结果：研究在12个独立数据集（涵盖14万患者）中验证了Clinical Transformer的优越性。结果显示，其在生存预测的C-index值上显著优于CoxPH、随机生存森林等方法，如在Chowell数据集上C-index达0.73，优于随机森林的0.68。迁移学习策略通过GENIE等大数据预训练后微调，使模型在小型临床试验数据中的预测性能提升（平均C-index从0.583升至0.617），并缩短40%训练时间。可解释性分析识别出白蛋白、中性粒细胞/淋巴细胞比值（NLR）和肿瘤突变负荷（TMB）为关键预后特征，并通过功能聚类发现TMB与MSI、HLA-LOH的协同作用。生成模型通过扰动实验模拟治疗反应，成功识别出免疫治疗潜在获益亚群（如高TMB且低NLR患者），并在三个独立队列中验证。