06.16-06.22 临床预测模型研究顶刊快报

1. 通过统计学习识别和描述早产儿2岁时的神经发育结果：使用英格兰和威尔士的人口水平数据进行模型开发和验证  06.17  EBioMedicine

2. 预测儿科重症监护病房的心血管恶化（PicEWS）：一项针对常规收集的医疗保健数据的机器学习建模研究  06.18  eClinicalMedicine

3. 人工智能辅助内窥镜图像鼻咽癌检测：一项全国性、多中心的模型开发和验证研究  06.20  The Lancet Digital Health

1. stClinic 通过在动态图表中整合空间多切片多组学数据来剖析临床相关的领域  06.16  Nature Communications

1.通过统计学习识别和描述早产儿2岁时的神经发育结果：使用英格兰和威尔士的人口水平数据进行模型开发和验证

Statistical learning to identify and characterise neurodevelopmental outcomes at 2 years in babies born preterm: model development and validation using population-level data from England and Wales

（1）背景：该研究的核心目的是应用统计学习方法，特别是潜在类分析（LCA），来识别和表征早产儿在2岁校正年龄时的神经发育结果，从而克服传统专家定义分类的局限性。

（2）解释：研究结论确认，通过潜在类分析成功识别并验证了四个稳健且可推广的跨域神经发育集群：通常发展（TD, 84.8%）、沟通障碍（COMM, 8.4%）、神经运动障碍（NM, 4.1%）和多种神经疾病（MNM, 2.7%）。这些集群在威尔士独立队列中复制良好（平衡准确率93%），并具有高度临床有效性，通过脑瘫诊断、Bayley婴儿发育量表（BSID-III）分数和医疗专业人员评估证实：TD集群在BSID-III中得分最高（约100），而MNM得分最低（约60），且NM和MNM集群均与脑瘫高度相关（约80%患病率），但MNM以更严重的运动和多域障碍为特征。

 2.预测儿科重症监护病房的心血管恶化（PicEWS）：一项针对常规收集的医疗保健数据的机器学习建模研究

Predicting Cardiovascular deterioration in a paediatric intensive care unit (PicEWS): a machine learning modelling study of routinely collected health-care data

（1）背景：该研究旨在开发一个基于机器学习的儿科重症监护早期预警系统（PicEWS），用于预测儿科重症监护病房（PICU）中心血管恶化事件，从而克服现有临床评分系统的局限性。

（2）解释：研究证实PicEWS模型（基于XGBoost算法）在预测心血管恶化方面显著优于现有临床标准，其AUROC达0.949和AUPRC达0.552，并以高召回率（90%）实现每真实警报少于两次误报的精度，远优于pSOFA（AUROC 0.715，AUPRC 0.150）。模型性能关键依赖于特征变异性（如血压波动）和输入频率，而非单纯依赖最新值或静态评分；SHAP分析揭示血压参数、COMFORT镇静评分及实验室指标（如胆红素和强离子间隙）为最核心预测因子，并验证了年龄标准化虽非必需（非标准化模型AUROC 0.947），但提升了临床可解释性。

 3.人工智能辅助内窥镜图像鼻咽癌检测：一项全国性、多中心的模型开发和验证研究

Artificial intelligence-assisted detection of nasopharyngeal carcinoma on endoscopic images: a national, multicentre, model development and validation study

（1）背景：该研究旨在开发并验证一种基于深度学习的鼻咽癌人工智能诊断系统（STND），采用Swin Transformer架构开发AI模型，建立三阶段验证体系：第一阶段利用27,362张内窥镜图像（含正常鼻咽、良性增生和确诊鼻咽癌）训练模型；第二阶段通过前瞻性收集的1,885张外部医院图像评估模型泛化能力；第三阶段设计多读者交叉研究，纳入4名专家和24名初级医院耳鼻喉科医生，评估AI辅助对诊断准确性和效率的提升效果，最终为基层医疗提供可降低漏诊率、减少不必要活检的临床决策工具。

（2）解释：STND系统在内部验证中表现卓越（区分正常/异常的AUC=0.99，恶性/非恶性的AUC=0.99），外部前瞻性验证保持高精度（鼻咽癌检测AUC=0.95，敏感性91.6%，特异性86.1%）。关键突破在于临床效能验证：AI辅助显著提升初级医院医生的诊断水平，使其准确率提高7.9%（从83.4%升至91.2%），阅片时间缩短25%（从6.7秒降至5.0秒/图），且低年资医生获益更显著（特异性提升17.7%）。专家医生在AI辅助下恶性病变鉴别准确率亦提升6.2%。该系统通过实时处理能力（0.025秒/图）和跨中心鲁棒性，证明其能作为有效的临床决策支持工具，尤其适用于资源有限地区，可减少不必要活检23%并降低漏诊风险，符合WHO早期癌症筛查战略方向。

1.stClinic 通过在动态图表中整合空间多切片多组学数据来剖析临床相关的领域

stClinic dissects clinically relevant niches by integrating spatial multi-slice multi-omics data in dynamic graphs

（1）介绍：该研究旨在解决空间多切片多组学（SMSMO）数据整合中的关键挑战，包括数据规模与多样性、疾病异质性及有限样本量对临床洞见挖掘的限制。作者提出stClinic模型——一种动态图学习框架，通过整合空间多组学与临床表型数据，系统性解析异质人群中的细胞生态位（niche）。

（2）结果：研究结果表明，stClinic在多种组织类型（如人脑前额叶皮层、乳腺癌、结直肠癌及肝转移瘤）中均能高效整合空间多组学数据，较现有方法（如SEDR、PRECAST等）更精准地识别跨样本的共享与条件特异性生态位。通过生存分析，stClinic成功鉴定出与临床结局显著相关的恶性生态位：例如在三阴性乳腺癌中，富含肿瘤相关巨噬细胞（TAMs）的生态位（如Cluster 10）与不良预后相关（HR=9.354, p=4.75e⁻¹²），其高表达转移相关基因（TROP2/TM4SF1）且拷贝数变异（CNV）水平升高；而富含B/浆细胞的生态位（Cluster 6）则预示较好预后，其免疫激活特征与更长生存期相关（TCGA验证p=0.032）。在结直肠癌肝转移模型中，stClinic进一步发现SPPI⁺MTRNR2L12⁺髓系细胞与癌症相关成纤维细胞（CAFs）构成的生态位驱动肿瘤适应与侵袭，其基因特征（如COL1A1）显著缩短患者无病生存期（p=0.046）。此外，该模型支持零样本学习实现跨数据集标签迁移（准确率约70%），并能融合同一或不同切片的表观组/蛋白组数据提升空间分辨率。