05.05-05.11 临床预测模型研究顶刊快报

1.通过人工智能预测急诊科的躁动事件  05.07  JAMA Network Open

2.谵妄风险分层的机器学习多模态模型  05.07  JAMA Network Open

1.预测非计划住院癌症患者的 90 天死亡率：三种预后评分的回顾性验证研究  05.08  The Lancet Regional Health - Europe

2.FaceAge，一种通过面部照片估计生物年龄以改善预测的深度学习系统：一项模型开发和验证研究  05.08  The Lancet. Digital health

1.Health Octo 工具将个性化健康与衰老速度进行匹配  05.05  Nature Communications

2.中国妊娠期糖尿病的遗传结构和风险预测  05.05  Nature Communications

3.耳鸣风险因素及其随时间的变化  05.07  Nature Communications

4.基于机器学习的荟萃分析揭示了与帕金森病相关的肠道微生物组改变  05.07  Nature Communications

1.通过人工智能预测急诊科的躁动事件

Predicting Agitation Events in the Emergency Department Through Artificial Intelligence

（1）目的：该研究旨在开发并验证一种基于人工智能的预测模型，以在急诊科（ED）环境中提前识别可能发生激越事件（如需要化学镇静或暴力约束）的患者。

（2）结论：通过对美国东北部9家医院超过304万次急诊就诊数据的分析，研究团队成功开发了一个包含50个预测因子的AI模型。该模型在外部验证中表现出色，受试者工作特征曲线下面积（AUROC）达0.94，精准召回曲线下面积（PR-AUC）为0.41，表明其具备高区分能力和临床实用性。

2.谵妄风险分层的机器学习多模态模型

Machine Learning Multimodal Model for Delirium Risk Stratification

（1）目的：该研究旨在开发并验证一种结合电子病历（EMR）数据和自然语言处理（NLP）技术的多模态机器学习模型，用于在实时临床实践中自动化分层住院患者的谵妄风险，并评估其对临床工作流程和结局的影响。

（2）结论：该研究成功开发并验证了一种多模态机器学习模型，其在实时临床验证中表现出优异的性能（AUROC为0.94），显著提高了谵妄检测率（从部署前的4.42%提升至17.17%），并减少了苯二氮卓类药物（中位剂量从1.60降至0.93地西泮当量）和奥氮平（中位剂量从2.50 mg降至1.09 mg）的日均使用剂量。

1.预测非计划住院癌症患者的 90 天死亡率：三种预后评分的回顾性验证研究

Prediction of 90-day mortality among cancer patients with unplanned hospitalisation: a retrospective validation study of three prognostic scores

（1）背景：本研究旨在土耳其人群中验证PROMISE评分的外部效能，并探索其与CTI、GRIm的组合应用，以提升短期死亡率预测的准确性，优化临床决策。

（2）解释：该研究纳入1109例非计划住院的晚期癌症患者，验证发现PROMISE和CTI评分对90天死亡率具有独立预测价值，高风险组死亡率分别为58.8%和60.0%，且低风险组生存率显著更高（PROMISE低风险组死亡率2.5%）。GRIm评分未显示显著关联。结合PROMISE与CTI的复合评分（PROMISE-CTI）AUC达0.884，敏感性和特异性分别为92.4%和81.1%，较单一评分更优，尤其在识别低风险患者（阴性预测值89.6%）方面表现突出。

2.FaceAge，一种通过面部照片估计生物年龄以改善预测的深度学习系统：一项模型开发和验证研究

FaceAge, a deep learning system to estimate biological age from face photographs to improve prognostication: a model development and validation study

（1）背景：本研究旨在开发并验证一种深度学习系统FaceAge，通过标准化分析面部照片估计生物年龄，以提升癌症患者的生存预测精度，并为治疗决策提供客观依据。

（2）解释：模型采用级联卷积神经网络进行面部定位和特征提取，结果显示其在60岁以上人群中的平均绝对误差为4.09年。生存分析表明，FaceAge估计值较实际年龄能更显著地分层患者生存风险（如泛癌队列中每十年风险比HR=1.151，p=0.013），且癌症患者的FaceAge平均比实际年龄高4.79年（p<0.0001）。在姑息治疗场景中，结合FaceAge的预测模型将医生对6个月生存率的AUC从0.74提升至0.80（p<0.0001），显著优化临床决策。

1.Health Octo 工具将个性化健康与衰老速度进行匹配

Health octo tool matches personalized health with rate of aging

（1）介绍：该文章旨在解决传统医疗实践中对多病共存及衰老多维性评估不足的问题。其核心目标是超越传统衰弱指数（Frailty Index），提供更精准的健康评估框架，为个性化医疗和健康干预提供科学依据。

（2）结果：研究证实，Health Octo Tool在预测残疾、老年综合征、身体功能下降（如SPPB评分）及死亡率方面表现出色（准确率≥90%），显著优于传统衰弱指数。

 2.中国妊娠期糖尿病的遗传结构和风险预测

Genetic architecture and risk prediction of gestational diabetes mellitus in Chinese pregnancies

（1）介绍：本研究旨在通过大规模全基因组关联研究（GWAS）揭示中国孕妇妊娠期糖尿病（GDM）的遗传结构，并开发基于遗传和临床数据的早期预测模型。

（2）结果：该研究发现了13个GDM新遗传位点和111个与妊娠期血糖性状相关的位点，其中约50%的位点为GDM或妊娠期特有，与东亚人群T2D及非妊娠期血糖性状存在显著差异。通过整合PRS与孕早期临床数据（如空腹血糖、BMI、年龄），机器学习模型在验证队列中实现了AUC 0.729和准确率0.835的预测性能，显著优于仅依赖临床指标的模型。

 3.耳鸣风险因素及其随时间的变化

Tinnitus risk factors and its evolution over time

（1）介绍：本研究旨在通过分析大规模生物医学数据，识别主观耳鸣（无外部声源的听觉感知）的存在和严重程度的风险因素，并探究这些因素如何随时间影响耳鸣的发展。

（2）结果：研究发现，严重程度模型能有效预测个体在9年内从轻度耳鸣发展为重度耳鸣的趋势（效应量Cohen’s d=1.3，ROC-AUC=0.78），而耳鸣存在模型无法预测其随时间的变化。研究进一步开发了仅包含6项问题的简化问卷（POST），涵盖听力、睡眠及心理健康指标，经验证在TRI队列中表现出良好的预测效能（重度耳鸣进展的ROC-AUC=0.94）。

 4.基于机器学习的荟萃分析揭示了与帕金森病相关的肠道微生物组改变

Machine learning-based meta-analysis reveals gut microbiome alterations associated with Parkinson’s disease

（1）介绍：该研究旨在通过大规模机器学习元分析，系统评估肠道微生物组在帕金森病（PD）中的诊断潜力，并明确其与PD相关的分类和功能特征。

（2）结果：研究发现，基于单个数据集的机器学习模型在内部验证中表现出色（平均AUC 71.9%），但跨研究泛化能力有限（平均AUC 61%），表明研究间存在显著异质性。通过整合多数据集训练的模型泛化性提升（LOSO AUC 68%），且对阿尔茨海默病和多发性硬化症的误诊率较低（FPR 18.7%）。