06.23-06.29 临床预测模型研究顶刊快报

1.美国45家医院手术输血风险机器学习模型的多中心验证

Multicenter Validation of a Machine Learning Model for Surgical Transfusion Risk at 45 US Hospitals

(1)目的：从外部验证公开可用的机器学习算法（手术个性化输血风险预期[S-PATH]），以估计全国医院样本内手术期间的红细胞输注。

(2)结论：在这项对45家医院的队列研究中，S-PATH证明了外部有效性和鉴别力。S-PATH始终比标准护理更有效，表明其可能用作围手术期临床决策支持工具。

 2.老年人癌症手术后居家生活能力的预测工具

A Predictive Tool for Ability to Remain at Home After Cancer Surgery in Older Adults

(1)目的：开发并内部验证风险预测模型STAYHOME，以估计老年人在癌症手术后失去居家生活能力的风险。

(2)结论：这项预后研究的结果表明，STAYHOME使用术前可用的信息来预测老年人癌症手术后失去居家生活能力的风险。它表现出良好的辨别力并且校准良好。STAYHOME的个体化风险估计可能支持术前咨询、共同决策和设定预期。

 3.通过多任务深度学习完成基于AI的超声心动图解释

Complete AI-Enabled Echocardiography Interpretation With Multitask Deep Learning

(1)目的：开发和评估AI系统在经胸超声心动图（TTE）上一套全面的39个标签和测量的准确性。

(2)结论：在这项研究中，一个自动解释超声心动图的AI系统在完整和有限的研究中在地理和时间上保持了很高的准确性。在各自的临床工作流程中进行前瞻性评估后，该AI系统可用作超声心动图实验室的辅助阅读器或护理点环境中的AI支持筛查工具。

1.印度卡纳塔克邦儿童急性脑炎综合征中丛林斑疹伤寒和多西环素可治疗病因的临床预测模型的开发与内部验证：一项多中心、前瞻性研究

Development and internal validation of clinical prediction models for scrub typhus and doxycycline-treatable causes in paediatric acute encephalitis syndrome in Karnataka, India: a multicentre, prospective study

(1)背景：在印度，丛林斑疹伤寒和其他多西环素可治疗的感染是急性脑炎综合征（AES）的重要因素。南印度的有限监测阻碍了他们的认可和将多西环素纳入治疗方案。研究旨在系统调查印度卡纳塔克邦儿童AES的感染性病因，并开发临床预测模型来诊断丛林斑疹伤寒和指导多西环素治疗的临床决策。

(2)解释：丛林斑疹伤寒是最常见的微生物学诊断，大多数患者都有多西环素可治疗的原因，这强调了在南印度的经验性治疗方案中优先考虑多西环素的必要性。这些模型表现出强大的性能;但是，外部验证对于更广泛的适用性是必要的。

2.通过Semi-ALNP评估乳腺癌患者的腋窝淋巴结转移风险：一项多中心研究

Evaluating axillary lymph node metastasis risks in breast cancer patients via Semi-ALNP: a multicenter study

(1)背景：准确评估腋窝淋巴结（ALN）对于指导乳腺癌（BC）患者的分期和治疗策略至关重要。目前，传统的病理分期方法仍然依赖于侵入性活检或手术。本研究旨在利用放射组学和机器学习（ML）技术构建、评估和验证半监督分类器，以无创识别腋窝淋巴结疾病。

(2)解释：Semi-ALNP基于监督多层感知器 （MLP）算法，在评估所有类型的BC患者的ALN状态方面具有很高的准确性。它对识别ALN转移的高危患者特别有效，这有助于指导个体化治疗决策。计划进行未来的前瞻性研究，以进一步验证这种方法在现实世界中的临床效用。

3.α-突触核蛋白种子扩增试验动力学测量在帕金森病中的诊断和预后价值：一项纵向队列研究

Diagnostic and prognostic value of α-synuclein seed amplification assay kinetic measures in Parkinson's disease: a longitudinal cohort study

(1)背景：α-突触核蛋白种子扩增测定（SAA）阳性已被提议作为帕金森病的诊断生物标志物。然而，关于该生物标志物的预后价值的研究仅限于短期随访期间的小型单中心研究。我们旨在评估定量CSF α-突触核蛋白SAA动力学测量在帕金森病中的诊断和预后价值。

(2)解释：评估α-突触核蛋白SAA动力学指标可能有助于诊断区分帕金森病与进行性核上性麻痹伴路易体共病。此外，在GBA1-帕金森病中发现了更快的播种动力学，并独立于阿尔茨海默病共同病理学预测帕金森病的认知能力下降。

1.基于AI的大规模胃癌筛查非造影CT成像

AI-based large-scale screening of gastric cancer from noncontrast CT imaging

(1)摘要：通过筛查进行早期发现对于降低胃癌（GC）死亡率至关重要。平扫计算机断层扫描（CT）是出于临床目的而常规进行的，为大规模设计或机会性筛查提供了一条有前途的途径。开发了人工智能胃癌风险评估程序（GRAPE），利用非对比CT和深度学习来识别GC。研究包括三个阶段。首先，使用来自中国2个中心的队列（3470例GC和3250例非GC）开发了GRAPE，并在内部验证集（1298例，曲线下面积= 0.970）和来自16个中心的独立外部队列（18160例，曲线下面积= 0.927）上验证了其性能。亚组分析显示，GRAPE检出率随着T分期的推进而增加，但与肿瘤位置无关。接下来，将GRAPE的解释与放射科医生的解释进行了比较，并评估了其在辅助诊断解释方面的潜力。研究表明，GRAPE的表现明显优于放射科医生，敏感性提高了21.8%，特异性提高了14.0%，尤其是在早期GC中。最后，使用来自综合癌症中心和2家独立地区医院的78,593次连续非对比CT扫描评估了GRAPE在真实世界机会性筛查中的表现。GRAPE在2家地区医院确定了GC检出率分别为24.5%和17.7%的高危人群，其中23.2%和26.8%的检出病例处于T1/T2阶段。此外，GRAPE 还检测到了放射科医生最初遗漏的GC病例，从而能够在其他疾病的随访中更早地诊断GC。总之，GRAPE在大规模GC筛查方面表现出强大的潜力，为早期检测提供了一种可行且有效的方法。