1.血清代谢指纹编码卵巢癌诊断的功能性生物标志物：一项大规模队列研究
Serum metabolic fingerprints encode functional biomarkers for ovarian cancer diagnosis: a large-scale cohort study
（1）背景：卵巢癌（OC）是全球致死率最高的妇科恶性肿瘤，每年新增病例超30万例，其中约70-90%为上皮性肿瘤。本研究提出使用纳米粒子增强激光解吸电离质谱（NELDI-MS）快速获取血清代谢指纹（SMFs），结合机器学习挖掘代谢标志物，旨在突破现有技术瓶颈，提升OC早期诊断的准确性和临床适用性。
（2）解释：本研究通过构建迄今最大规模的OC相关队列（1432例，含662例OC、563例良性卵巢疾病和207例健康对照），利用NELDI-MS技术（30秒/样本、成本2-3美元）高效记录SMFs，并结合机器学习筛选出由葡萄糖、组氨酸、吡咯-2-羧酸（PCA）和二氢胸腺嘧啶组成的代谢标志物组合。该标志物在发现队列、独立验证队列和预留验证队列中均表现出稳定诊断效能，区分恶性与良性卵巢肿瘤的AUC达0.87-0.89；与卵巢恶性肿瘤风险算法（ROMA）联合后，AUC进一步提升至0.95-0.99，特异性显著优于单一标志物（如ROMA单独特异性仅54.5%）。
2.一种用于诊断精氨酸加压素缺乏症（中枢性尿崩症）或原发性多饮症的新型诊断评分及基础实验室参数和新型诊断评分：两项国际多中心前瞻性诊断研究的结果
A novel diagnostic score for diagnosing arginine vasopressin deficiency (central diabetes insipidus) or primary polydipsia with basal laboratory parameters and a novel diagnostic score: results from two international multicentre prospective diagnostic studies
（1）背景：该研究聚焦于精氨酸加压素缺乏症（中枢性尿崩症）与原发性烦渴症的鉴别诊断难题。因此，研究旨在开发一种结合基础实验室指标、临床症状和病史的实用诊断评分系统，以优化初诊流程，减少对动态测试的依赖。
（2）解释：该评分整合了实验室指标（如血浆钠×渗透压/100）、病史（垂体手术、垂体功能不全）及症状（夜尿频率、突然发病、夜间饮水量），赋予不同权重。结果显示，基础血浆钠<135 mmol/L或和肽素>5.6 pmol/L可排除中枢性尿崩症，而钠>145 mmol/L具有确诊价值。验证队列中，综合评分曲线下面积（AUC）达0.91，以441分为界值时诊断准确率86%，高敏感性与特异性阈值分别覆盖93%患者。
3.利用机器学习模型预测新冠疫情后急性和慢性肾脏疾病：利用美国国家电子健康记录
Prediction of acute and chronic kidney diseases during the post-covid-19 pandemic with machine learning models: utilizing national electronic health records in the US
（3）背景：该研究针对COVID-19疫情后急慢性肾脏疾病（AKI和CKD）风险预测的空白展开。本研究旨在利用美国全国性EHR数据，模拟前瞻性队列设计，构建高精度ML模型，以预测疫情后短期（1个月）和长期（1年）的AKI及CKD风险，同时验证COVID-19感染史对模型的贡献，并开发临床友好的网页应用以促进实际应用。
（4）解释：结果显示，最终模型仅需9个核心变量（如eGFR、住院次数和COVID-19感染次数），即可实现优异预测性能：XGBoost在预测1个月内AKI（AUROC=0.803）、1年内AKI（0.799）及1年内CKD（0.894）中表现最佳，而随机森林在1个月内CKD预测中AUROC达0.896。研究证实，纳入COVID-19感染史显著提升模型性能（AUROC下降检验P<0.05），而长期COVID因共线性及诊断偏倚未被保留。此外，团队构建了基于R Shiny的网页应用（AIBI APP），仅需输入9项易获取的临床变量即可输出风险分级，兼顾实用性与准确性。
