09.29-10.05临床预测模型研究顶刊快报

JAMA  2025/09/29-2025/10/05

1.基于影像学的人工智能模型用于人瘤病毒阳性口咽癌的结外扩展检测和结果预测  9.30  JAMA Otolaryngology–Head & Neck Surgery

2.人工智能增强分析美国城市的建筑环境图像和邻里肥胖  9.30   JAMA Network Open

THE LANCET  2025/09/29-2025/10/05

1.食管癌多学科工具：一种用于食管癌决策的共同设计、外部验证的机器学习工具  9.29  eClinicalMedicine

2.使用数字化唾液腺活检对焦点评分和干燥病进行分类的机器学习：一项回顾性队列研究  9.29  The Lancet Rheumatology Home

Nature  2025/09/29-2025/10/05

1.基于人工智能的血液检测设备用于急性感染和败血症诊断和预后的临床验证  9.30  Nature Medicine

JAMA

1.基于影像学的人工智能模型用于人瘤病毒阳性口咽癌的结外扩展检测和结果预测

Artificial Intelligence Model for Imaging-Based Extranodal Extension Detection and Outcome Prediction in Human Papillomavirus−Positive Oropharyngeal Cancer

(1)目的：开发人工智能（AI）驱动的治疗前计算机断层扫描（CT）扫描淋巴结分割和结外延伸（iENE）分类管道，并评估其与人瘤病毒（HPV）阳性口咽癌（OPC）肿瘤学结局的关系。

(2)结论：单中心队列研究发现，人工智能驱动的管道可以成功地从HPV相关OPC的治疗前CT扫描中自动进行淋巴结分割和iENE分类。预测的 iENE 与更差的肿瘤学结局独立相关。需要外部验证来评估在没有专业成像专业知识的机构中实施的普遍性和潜力。

2.人工智能增强分析美国城市的建筑环境图像和邻里肥胖

AI-Enhanced Analysis of Built Environment Imagery and Neighborhood Obesity in US Cities

(1)目的：探讨人工智能对卫星和街景图像的分析是否与超越传统人口和社会经济（DSE）和健康社会决定因素（SDOH）因素的社区肥胖患病率估计的改进相关。

(2)结论：在这项研究中，从地理空间图像中整合人工智能衍生的建筑环境特征与解释和估计社区水平肥胖患病率的能力增强有关，超越了传统的DSE和 SDOH因素。

THE LANCET

1.食管癌多学科工具：一种用于食管癌决策的共同设计、外部验证的机器学习工具

Oesophageal cancer multi-disciplinary tool: a co-designed, externally validated, machine learning tool for oesophageal cancer decision making

(1)背景：食管癌（OC）多学科团队（MDT）在巨大的压力下运作，处理复杂的决策。如果负责任地训练和部署，机器学习（ML）可以学习复杂的决策范式，以提高效率、一致性和成本。我们提出了一个经过外部验证的基于ML的临床决策支持系统（CDSS），旨在预测OC MDT治疗决策并预测姑息性方案，并使用负责任的研究和创新（RRI）原则共同设计。

(2)解释：我们提出了一种新型的、负责任的开发、经过外部验证的AI CDSS，经过训练可以预测食管癌MDT决策。它代表了ML变革性应用的基础，在 OC内提供个性化、一致和高效的MDT决策支持，符合RRI原则。

2.使用数字化唾液腺活检对焦点评分和干燥病进行分类的机器学习：一项回顾性队列研究

Machine learning to classify the focus score and Sjögren's disease using digitalised salivary gland biopsies: a retrospective cohort study

(1)背景：干燥病的分类部分依赖于小唾液腺活检的焦点评分分级。专家对焦点评分的重新分级导致一半病例的疾病重新分类。本研究旨在利用机器学习自动对焦点评分和干燥病进行分类，以根据小唾液腺活检识别新的组织学疾病亚型。

(2)解释：这项研究表明，深度学习可以仅使用小唾液腺活检对焦点评分和干燥病进行可靠的分类。该研究发现腺泡中的CD8 T细胞浸润与干燥病有关。需要进一步的研究来验证模型。

Nature

1.基于人工智能的血液检测设备用于急性感染和败血症诊断和预后的临床验证

Clinical validation of an AI-based blood testing device for diagnosis and prognosis of acute infection and sepsis

(1)摘要：对于因非特异性症状到急诊科就诊的患者，缺乏对感染的存在、类型和严重程度的可靠诊断，带来了相当大的挑战。我们开发了TriVerity，它使用 29 个mRNA的等温扩增和Myrna仪器上的机器学习算法来确定细菌感染、病毒感染的可能性以及7天内需要重症监护干预的可能性。为了验证 TriVerity，SEPSIS-SHIELD研究招募了1,222名经临床判定感染状态且需要在 7 天内接受重症监护干预的患者作为终点。TriVerity细菌和病毒评分在诊断细菌感染的准确性高于C反应蛋白、降钙素原或白细胞计数，受试者工作特征下面积（AUROC）为0.83和病毒感染（AUROC = 0.91）。TriVerity 严重程度评分的AUROC为0.78，用于预测疾病严重程度，并允许与单独的临床评估（快速序贯器官衰竭评估）相比，对重症监护干预的风险进行重新分类。三个评分中的每一个都有规则特异性 >92%，排除敏感性 >95%。将就诊时的抗生素给药与随访后裁决进行比较发现，TriVerity 可以将不当使用抗生素的假阳性和假阴性减少 60-70%。需要在介入环境中进行进一步的临床测试，以证明 TriVerity 的可作性和临床益处。