05.19-05.25 临床预测模型研究顶刊快报

THE LANCET  2025/05/19-2025/05/25

1. 基于心电图的肝病诊断：一种外部验证和可解释的机器学习方法  05.19  eClinicalMedicine

2. 使用集成电子健康记录对儿童哮喘风险评分作为儿童哮喘的被动数字标记进行外部验证和更新  05.20  eClinicalMedicine

Nature  2025/05/19-2025/05/25

1. 通过非接触式无线电监测和知识传输检测心房颤动  05.20  Nature Communications

1.基于心电图的肝病诊断：一种外部验证和可解释的机器学习方法

Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach

（1）背景：肝病作为全球主要的健康挑战之一，每年导致数百万人死亡，但其诊断仍面临重大障碍。传统方法如血液检测、影像学（超声、MRI、CT）及肝活检存在侵入性、成本高或敏感性不足的问题，尤其在早期阶段。肝活检虽为金标准，但伴随出血、感染等风险，限制了其常规使用。因此，亟需开发无创、可及且经济高效的诊断工具。心电图（ECG）因其广泛普及和无创特性成为潜在解决方案。近年研究表明，ECG不仅能评估心脏健康，还可通过心血管-肝脏交互作用（如肝硬化相关心肌病、门脉高压）反映系统性异常。机器学习（ML）虽在医疗领域崭露头角，但现有肝病研究多依赖影像或血液标志物，且缺乏可解释性和外部验证。本研究旨在填补这一空白，利用树状ML模型（如XGBoost）结合ECG特征，开发可解释、外部验证的诊断工具，以提升肝病早期检测和资源有限场景的应用潜力。

（2）解释：该研究基于MIMIC-IV-ECG（美国）和ECG-View II（韩国）两大数据集，提取ECG指标（如QTc间期、RR间期）及人口统计学特征，训练XGBoost模型进行二分类任务。结果显示，模型在酒精性肝病（K70）和肝衰竭（K72）等ICD-10编码疾病中表现出稳健性能：内部验证AUROC分别为0.8025和0.7404，外部验证为0.7644和0.7498，敏感性固定为0.7时特异性达67-85%。通过Shapley值可解释性分析，年龄和QTc间期延长被确认为核心预测因子，反映心室复极化异常与肝病的生理关联（如电解质紊乱或自主神经失调）。

 2.使用集成电子健康记录对儿童哮喘风险评分作为儿童哮喘的被动数字标记进行外部验证和更新

External validation and update of the pediatric asthma risk score as a passive digital marker for childhood asthma using integrated electronic health records

（1）背景：儿童哮喘的诊断与治疗存在显著的延迟问题，尤其在学龄前儿童中，尽管已有多种预测工具（如儿科哮喘风险评分PARS），但其在临床电子健康记录（EHR）中的实用性尚未明确。现有工具多基于问卷调查或研究环境中的自我报告数据，存在样本选择性偏倚和可扩展性不足的问题。此外，EHR数据的异质性（如结构化与非结构化数据混杂、变量定义不一致、缺失值等）进一步限制了现有模型在真实临床场景中的应用。尽管PARS在多项研究中表现出中等预测效能（AUC 0.67-0.80），但其依赖的变量（如种族、湿疹、喘息史等）在EHR中可能存在记录差异或遗漏。因此，本研究旨在通过EHR数据对PARS进行外部验证和更新，开发一种被动数字标记（PDM），以提升儿童哮喘的早期风险预测能力，减少诊断不确定性。。

（2）解释：该研究通过整合EHR中的多维度数据（包括人口统计学、临床诊断、过敏史及社会健康决定因素）更新了PARS模型，构建的PDM在69,109名儿童中表现出优于原始PARS的预测效能（AUC 0.79 vs. 0.76），且高风险儿童的哮喘发病率显著更高（37% vs. 26%）。PDM通过引入性别、肺炎/细支气管炎病史及学龄前哮喘诊断等变量，增强了模型的区分度和校准性。决策曲线分析显示，PDM在3%以上的风险阈值中具有临床实用性，可促进高风险儿童的早期干预。

1.通过非接触式无线电监测和知识传输检测心房颤动

Atrial fibrillation detection via contactless radio monitoring and knowledge transfer

（1）介绍：本研究旨在解决心房颤动（AF）早期检测的临床难题。传统心电图（ECG）作为AF诊断的“金标准”，因需接触式测量和间歇性监测的局限性，常导致早期无症状或短暂性AF漏诊。为此，研究者开发了一种基于人工智能（AI）的非接触式无线电监测系统，结合毫米波雷达技术与知识转移方法，以捕捉心脏机械运动并识别AF相关特征。系统通过雷达信号感知胸壁微小运动（0.2-0.5毫米），并利用ECG积累的临床诊断知识（通过教师-学生神经网络模型）指导AI解析机械运动模式，最终实现无需设备佩戴、可集成于日常环境（如睡眠或工作场景）的终身主动监测。其核心目标是突破传统检测的时空限制，提升AF早期发现的可行性，从而为及时干预提供支持。。

（2）结果：研究证实，基于毫米波雷达与知识转移的AI系统在AF检测中表现出与ECG相当的临床效能。通过对6258名门诊患者的验证，系统在序列水平（10秒数据）的灵敏度为0.815（95% CI, 0.783-0.842），特异性达0.992；在集合水平（30秒数据）下，灵敏度提升至0.844，特异性维持0.995。实际应用案例中，系统成功在27名受试者的夜间睡眠监测中提前识别出2例AF（早于临床诊断），并在术后患者中精准捕捉AF与窦性心律的转换。