06.09-06.15 临床预测模型研究顶刊快报

1.用于重症监护转运的机器学习创伤分诊模型

A Machine Learning Trauma Triage Model for Critical Care Transport

(1) 目的：开发一种用于创伤性损伤患者院前使用的分诊模型，该模型由机器学习（ML）分析连续生理波形信号和生命体征的衍生模式提供支持。

(2) 结论：在这项针对院前创伤危重患者的队列研究中，使用生理特征的ML分诊模型为单个患者提供了挽救生命的干预实施的准确预测。可以在现场部署建模方法，以帮助简化和增强院前分诊。

2.使用 AI 指导医院环境中艰难梭菌感染预防工作

Guiding Clostridioides difficile Infection Prevention Efforts in a Hospital Setting With AI

(1) 目的：评估AI引导的感染预防集束化与医院环境中艰难梭菌感染（CDI）发病率的相关性。

(2) 结论：在这项质量改进研究中，人工智能引导的感染预防集束化的实施与研究地点已经很低的CDI发病率的显着降低无关，但它与CDI相关抗菌药物使用减少有关。结果突出了AI在支持抗菌药物管理方面的潜力。在未来的应用程序中，需要解决实施的障碍，包括基础设施、员工知识和工作流程集成。

 3.用于皮肤鳞状细胞癌风险分层的检索增强生成支持大型语言模型

Retrieval Augmented Generation–Enabled Large Language Model for Risk Stratification of Cutaneous Squamous Cell Carcinoma

(1) 目的：确定在具有超过1万亿个参数的综合数据集上训练并配备相关聚焦上下文和检索增强生成（RAG）的定制生成预训练转换器模型是否可以在聚合和解释大量数据方面表现出色，以开发一种优于当前标准的新型基于类别的风险分层系统。

(2) 结论：这项诊断研究的结果表明，AIRIS系统优于现有的BWH和AJCC8预后系统，可能为预测cSCC的不良结果提供更有效的工具。本研究说明了大型语言模型在改进预后工具方面的潜力，为治疗癌症患者提供了启示。

1.用于乳腺癌新辅助化疗反应早期无创预测的 MRI 时空交互模型的开发和验证：一项多中心研究

Development and validation of an MRI spatiotemporal interaction model for early noninvasive prediction of neoadjuvant chemotherapy response in breast cancer: a multicentre study

(1) 背景：准确和早期评估乳腺癌对新辅助化疗（NAC）的反应对于优化治疗策略和减少不必要的干预至关重要。虽然基于深度学习（DL）的方法在医学成像分析中显示出前景，但现有模型往往无法全面整合空间和时间肿瘤动力学。本研究旨在开发和验证基于纵向MRI数据的时空相互作用（STI）模型，以预测乳腺癌患者对NAC的病理完全反应（pCR）。

(2) 解释：我们的研究建立了一种新的无创STI模型，该模型整合了NAC前后MRI的时空演变，以实现早期和准确的pCR预测，为个性化治疗提供潜在的指导。

 2.机器学习和人类预测的比较以识别需要出血控制复苏的创伤患者（ShockMatrix 研究）：一项前瞻性观察研究

Comparison of machine learning and human prediction to identify trauma patients in need of hemorrhage control resuscitation (ShockMatrix study): a prospective observational study

(1) 背景：机器学习可以提高对需要出血控制复苏（HCR）的创伤患者的及时识别，但实际性能仍然未知。ShockMatrix研究旨在将机器学习算法的预测性能与临床医生在确定HCR需求方面的预测性能进行比较。

(2) 解释：前瞻性ShockMatrix时间验证研究表明，使用真实和实时信息预测 HCR 需求时，人类和机器学习的性能相当，两者之间的一致性适中。如果临床医生使用机器学习增强的决策意识，可能会提高对需要HCR的患者的检测。

 3.开发和测试基于 AI 的语音生物标志物模型以检测社区居民成年人的认知障碍：日本的一项横断面研究

Developing and testing AI-based voice biomarker models to detect cognitive impairment among community dwelling adults: a cross-sectional study in Japan

(1) 背景：声音是认知障碍的潜在生物标志物，因为轻度认知障碍（MCI）会导致语音模式和节奏发生变化。人工智能（AI）可以提供语音生物标志物作为预测特征，从而及时、无创且经济高效地检测认知障碍。本研究旨在开发和测试利用语音生物标志物来检测认知障碍的预测模型，这些模型是AI从日本社区居民成年人的非结构化对话的语音数据中获得的。

(2) 解释：我们使用语音生物标志物的认知障碍预测模型可以提供显着节省时间的 MCI 筛查和高预测性能（AUC = 0.89）。语音生物标志物对提高预测性能有显著贡献。

 4.探索2021年热穹顶期间药物与高温相关社区死亡之间的关系：一种使用机器学习的混合方法

Exploring the relationship between medications and heat-related community deaths during the 2021 heat dome: a hybrid approach using machine learning

(1) 背景：极端高温事件（EHE）对全球健康的威胁越来越大。迄今为止，只有有限数量的研究将药物评估为EHE期间死亡的风险或保护因素。

(2) 解释：本研究利用逻辑回归（LR）和机器学习（ML）来生成有关EHE期间药物和死亡率的见解。这些结果增加了关于EHE期间药物风险的现有证据，并为进一步研究提供了新的途径。它们可用于帮助开发更有针对性的信息，以告知那些在EHE期间因药物而面临更大风险的个人。