08.04-08.10临床预测模型研究顶刊快报

1.大型语言模型中医学推理的保真度 

Fidelity of Medical Reasoning in Large Language Models

(1)摘要：大型语言模型（LLM）在MedQA等医学基准测试中实现了近乎完美的准确性，从而加速了临床部署的呼声。然而，一个关键问题仍未解决：这些模型是通过医疗问题进行推理还是利用其训练数据中的统计模式？虽然像MedHELM3这样的框架已经将评估扩展到临床实践中的医疗任务，但我们通过测试任何医学基准上的高性能是否反映了推理或模式匹配来补充这项工作。这种区别决定了系统在遇到不熟悉的模式时是处理新的临床场景还是失败。我们的研究评估了推理和标准法学硕士，使我们能够测试推理能力是否提高了鲁棒性。

1.开发和验证可解释机器学习模型用于脓毒症监测的疑似感染的回顾性识别：一项多中心队列研究

Development and validation of an interpretable machine learning model for retrospective identification of suspected infection for sepsis surveillance: a multicentre cohort study

(1)背景：如何识别疑似感染以进行脓毒症监测仍然是一个公认的挑战。本研究旨在通过开发一种可解释的机器学习（ML）模型来回顾性识别脓毒症患者，从而将疑似感染用于脓毒症监测。

(2)解释：符合快速序贯器官衰竭评估（qSOFA）≥2标准的急诊科患者可以通过梯度提升算法准确分类为疑似感染或未疑似感染，优于脓毒症监测的常见疑似感染定义。将炎症反应纳入疑似感染监测定义可能会提高脓毒症监测的准确性和客观性。未来的研究需要使用其他器官功能障碍标准和国际环境来验证该算法。

2.使用亚洲免疫和内皮激活宿主标志物对儿童感染进行风险分层（斑点败血症）：一项多国、前瞻性、队列研究

Risk stratification of childhood infection using host markers of immune and endothelial activation in Asia (Spot Sepsis): a multi-country, prospective, cohort study

(1) 背景：在资源有限的社区环境中，迫切需要发热性疾病的预后工具。循环免疫和内皮激活标志物对常见儿童感染的风险进行分层。我们旨在评估它们在亚洲农村社区出现的发热性疾病儿童中的使用情况。

解释：sTREM1在区分将发展为严重发热性疾病的儿童方面显示出最佳的预后准确性。在资源受限的社区环境中，基于sTREM1的分诊策略可能会增强对发热性疾病儿童不良结果风险的早期识别。

1.DeepISLES：来自ISLES'22挑战的经过临床验证的缺血性中风分割模型

DeepISLES: a clinically validated ischemic stroke segmentation model from the ISLES'22 challenge

(1)摘要：弥散加权磁共振成像（DWI-MRI）对于诊断和管理缺血性中风至关重要，但图像和疾病表现的可变性限制了人工智能（AI）算法的通用性。我们展示了DeepISLES——一种强大的集成算法，由我们组织的2022年缺血性中风病变分割挑战赛的顶级提交材料开发而成。通过结合领先研究小组表现最佳的方法的优势，其在检测和分割缺血性病变方面实现了卓越的准确性，在不同的轴上都可以很好地泛化。对大型外部数据集（N=1685）的验证证实了其稳健性，在戴斯相似系数（Dice）分数上比以前的最先进模型高出7.4%，在F1分数（F1 Score）上比以前最先进的模型高出12.6%。它还擅长提取临床生物标志物，并与临床中风评分密切相关，与专家表现密切匹配。神经放射科医生更喜欢DeepISLES的分割，而不是类图灵测试中的手动注释。我们的工作展示了 DeepISLES的临床相关性，并强调了生物医学挑战在开发现实世界、可通用的人工智能工具方面的价值。DeepISLES 在https://github.com/ezequieldlrosa/DeepIsles免费获得。