05.26-06.02 临床预测模型研究顶刊快报

1. 美国陆军基础战斗学员肌肉骨骼损伤危险因素模型  6.2  JAMA Network Open 

2. 专用AI专家系统与具有大型语言模型的生成式AI在临床诊断中的应用  5.29  JAMA Network Open 

3. 用于预测住院儿童危急事件的机器学习  5.30   JAMA Network Open 

1. 使用基于transformer的风险模型对预防性心血管疾病治疗的个体进行精细选择   6.2  The Lancet Digital Health

2. 预测献血后铁恢复的机器学习模型：模型开发和外部验证研究  6月  The Lancet Haematology

3. 预测急诊科儿科肺炎的严重程度：儿科急诊研究网络的多国前瞻性队列研究  6月  The Lancet Child & Adolescent Health

4. 深度学习预测导管原位癌浸润性复发：利用组织病理学图像和临床特征  5.28  eBioMedicine

5. 使用临床多对比脑部MRI自动识别帕金森病：一种大型自我监督视觉基础模型策略  5.26  eBioMedicine

1. 用于脓毒症床旁预测的机器学习和离心微流控平台  5.27  Nature Communications

1. 美国陆军基础战斗学员肌肉骨骼损伤危险因素模型

Model for Musculoskeletal Injury Risk Factors Among US Army Basic Combat Trainees

(1) 目的：为军事领导人、文职和军事临床医生以及体能训练教官提供肌肉骨骼损伤（MSKI）风险模型，用于识别开始美国陆军基础战斗训练（BCT）或体能训练计划的个人中的低、中和高风险特征。

(2) 结论：该队列研究提出了一种分层方法，用于在体能训练计划开始之前识别MSKI风险增加的人。应用分层量化风险指标并结合来自这些发现的多因素干预措施可能在降低MSKI风险方面发挥作用。

 2. 专用AI专家系统与具有大型语言模型的生成式AI在临床诊断中的应用

Dedicated AI Expert System vs Generative AI With Large Language Model for Clinical Diagnoses

(1) 目的：比较2种广泛使用的大型语言模型（LLM）在36例未发表的普通医学病例上的性能。

(2) 结论：在这项诊断研究中，比较了传统DDSS（DXplain [以下简称 DDSS]）和当前LLM在未发表的临床病例上的性能，在大多数情况下，如果包括实验室测试结果，每个系统都会将病例诊断列在其前25个诊断中。将LLM的解析和说明性语言能力与传统DDSS的确定性和解释性能力相结合的混合方法可能会产生协同效益。

 3. 用于预测住院儿童危急事件的机器学习

Machine Learning for Predicting Critical Events Among Hospitalized Children

(1) 目的：开发一个机器学习模型，用于早期检测所有病房的恶化，从而在患者的整个住院期间实现统一的风险评估。

(2) 结论：这项回顾性队列研究描述了一种新的全院模型的开发，用于在儿童的整个住院期间持续预测危重事件的风险。该模型为儿科医院的风险评估建立了一个统一的框架。

1. 使用基于transformer的风险模型对预防性心血管疾病治疗的个体进行精细选择

Refined selection of individuals for preventive cardiovascular disease treatment with a transformer-based risk model

(1) 背景：尽管统计模型通常用于识别有心血管疾病风险的患者进行预防性治疗，但这些模型往往过度推荐治疗。此外，在已有疾病的人群中，目前的方法是不分青红皂白地治疗所有人，因为在这种情况下进行建模目前是不充分的。本研究旨在开发和验证基于Transformer的风险评估生存（TRisk）模型，这是一种新颖的深度学习模型，用于预测一级预防人群和糖尿病患者的10年心血管疾病风险。

(2) 解释：与基准方法相比，TRisk能够在一级预防人群和糖尿病队列中更有针对性地选择有心血管疾病风险的个体。将TRisk纳入常规护理可能会使符合治疗条件的患者数量减少约三分之一，同时至少防止与目前采用的方法一样多的事件。

 2. 预测献血后铁恢复的机器学习模型：模型开发和外部验证研究

Machine-learning models to predict iron recovery after blood donation: a model development and external validation study

(1) 背景：直接预测献血后铁生物标志物的机器学习模型可能有助于管理与献血相关的铁缺乏症并避免低血红蛋白延迟。此类模型尚未在国际上得到外部验证。我们的目标是开发和外部验证机器学习模型，以预测回归献血者的血红蛋白和铁蛋白。

(2) 解释：预测回报捐献时血红蛋白和铁蛋白的机器学习模型在不同环境中普遍性良好，并且可以实现个体化方法来管理铁缺乏症，同时保持足够的血液供应。

 3. 预测急诊科儿科肺炎的严重程度：儿科急诊研究网络的多国前瞻性队列研究

Risk stratified treatment for childhood acute lymphoblastic leukaemia: a multicentre observational study from India

(1) 目的：在资源丰富的地区，用于儿科社区获得性肺炎（CAP）的风险分层工具很少。我们前瞻性地开发了模型来预测儿科急诊科（EDs）跨国队列中的CAP严重程度。主要目标是开发一个风险预测模型来区分轻度CAP和中度或重度CAP，以帮助临床医生确定住院需求。

(2) 解释：在CAP儿童中开发了准确、实用的严重性风险预测模型。在未来的外部验证之后，这些模型有可能提供个体化的风险评估，这些评估可以纳入资源充足的卫生系统的临床判断中，以改善管理。

 4. 深度学习预测导管原位癌浸润性复发：利用组织病理学图像和临床特征

Deep learning for predicting invasive recurrence of ductal carcinoma in situ: leveraging histopathology images and clinical features

(1) 背景：导管原位癌（DCIS）可进展为同侧浸润性乳腺癌（IBC），但如果不治疗，超过75%的DCIS病变不会进展。目前，无法可靠地识别可能进展为IBC的DCIS。因此，大多数DCIS患者接受类似于IBC的治疗。为了便于识别低风险DCIS，我们使用组织学全玻片图像（WSI）和临床病理数据开发了深度学习模型。

(2) 解释：使用常规处理的WSI的深度学习模型有望实现DCIS风险分层，而整合临床数据的好处值得进一步研究。获得更大、高质量的外部多中心数据集将非常有价值，因为这些模型的成功推广可以证明它们通过对低风险女性进行主动监测来减少DCIS过度治疗的潜力。

 5. 使用临床多对比脑部MRI自动识别帕金森病：一种大型自我监督视觉基础模型策略

Automatic identification of Parkinsonism using clinical multi-contrast brain MRI: a large self-supervised vision foundation model strategy

(1) 背景：迫切需要帕金森病（PD）和帕金森加综合征（PPS）的有效无创生物标志物。基于我们最近的自我监督视觉基础模型Shift Window UNET TRansformer（Swin UNETR），它使用临床多重对比全脑MRI，我们的目标是开发一个高效实用的模型（'SwinClassifier'），用于使用常规临床MRI扫描来区分PD与PPS。

(2) 解释：我们基于常规临床头部 MRI的自我监督数字模型区分了PD与PPS，具有良好的准确性和敏感性。随着逐步改善，该方法可能在疾病早期的诊断上有用。

1. 用于脓毒症床旁预测的机器学习和离心微流控平台

A machine learning and centrifugal microfluidics platform for bedside prediction of sepsis

(1) 摘要：脓毒症是一种危及生命的器官功能障碍，是由于对感染的反应功能障碍所致。诊断延迟对生存有重大影响。在此，来自586名疑似脓毒症的内部患者的血液样本与机器学习和交叉验证相结合，以定义免疫细胞重编程的六基因表达特征，称为Sepset，以预测临床表现前24小时（h）内的临床恶化。预测准确性（早期重症监护病房（ICU）为~90%，急诊室患者为70%）在来自现有独立队列的3178名患者中得到验证。基于RT-PCR的Sepset检测试验显示，248例患者预测前24小时内序贯器官衰竭评估评分恶化的敏感性为94%。测试了一种自动检测全血Sepset分类器的独立离心微流体仪器，结果显示，在识别疑似脓毒症患者临床恶化风险方面的敏感性为92%，特异性为89%。