11.03-11.09 临床预测模型研究顶刊快报

1.用于比较网络认知行为疗法与抗抑郁药物疗效的机器学习模型  11.06  JAMA Network Open

1.一项病例对照研究表明，人工智能驱动的呼吸活检有助于早期发现儿童脑肿瘤  11.07  The Lancet Primary Care

1.用于比较网络认知行为疗法与抗抑郁药物疗效的机器学习模型

Machine Learning Model for Response to Internet-Delivered CBT vs Antidepressant Medication

（1）目的：本文开发一个机器学习模型，用于预测网络认知行为疗法（iCBT）的早期疗效。在开发出表现最佳的模型后，研究的关键目标之一是测试其对不同治疗的泛化能力和治疗特异性。本文旨在确定一个在自然临床环境中，基于大规模基线自我报告和认知数据，能够准确预测iCBT反应的多变量模型，并探究该模型是否能专门预测iCBT的疗效。

（2）结论：这项在自然临床环境中进行的预后研究得出结论：基于自我报告数据对iCBT疗效的预测优于认知数据。最终的27个预测因子模型在外部验证中解释了约19%的抑郁改善方差，并且泛化性良好，对接受抗抑郁药物治疗的患者也展现出相似的预测性能，这可能归因于患者中存在治疗重叠。然而，重要的是，当模型仅用接受iCBT且未服用抗抑郁药物的患者数据重新训练后，它在预测iCBT疗效方面表现良好，但在预测仅服用抗抑郁药物且未接受心理治疗的患者疗效时性能显著下降，证明了治疗特异性的存在。这一发现表明，在一个仅接受iCBT的患者群体上训练的模型，能够特异性地预测iCBT的疗效，而非抗抑郁药物的疗效。研究的数字性质使其易于在日益增长的在线心理治疗领域进行快速的临床转化和部署。

1.一项病例对照研究表明，人工智能驱动的呼吸活检有助于早期发现儿童脑肿瘤

AI-driven breath biopsy from a case-control study assists in the early detection of paediatric brain tumours

（1）背景：儿科脑肿瘤（PBT）是儿童时期最致命的癌症之一，诊断延迟通常是限制早期干预的关键因素 。目前的诊断方法，如MRI和CT扫描，存在成本高、可及性有限和辐射暴露等挑战 。同时，基于组织活检的诊断是侵入性的，不适合儿童重复使用 。尽管液体活检显示出潜力，但它们的非侵入性和临床应用的能力仍显不足 。因此，临床上迫切需要一种高精度、生物学相关且具有临床实用性的新型非侵入性策略来进行早期PBT检测 。呼出气体代谢组学（Exhaled volatilomics）作为一种新兴的非侵入性策略，已被证明对多种疾病的早期检测和监测有效 ，它通过分析呼出气体中源自代谢过程的挥发性有机化合物（VOCs）来提供对生理和病理变化的见解 。然而，针对PBT患者的呼出气体挥发物、生物标志物筛选及其来源的全面研究仍然有限 。本研究正是在此背景下展开，旨在探索呼出气体中的挥发性代谢物作为PBT的潜在生物标志物，并利用人工智能（AI）技术识别诊断标记，开发预测风险评估模型。

（2）解释：这项病例对照研究通过对161名PBT患者和140名非肿瘤对照者的呼出气体样本进行非靶向挥发性代谢组学分析，发现了PBT患者与对照组之间在呼出气体挥发物代谢组学上存在显著差异 。研究利用机器学习和单变量分析，成功识别出一个包含12种VOCs的生物标志物组合 ，该组合在支持向量机（SVM）分类器上的AUC（曲线下面积）表现最佳，达到0.81（95% CI: 0.72-0.91），所有分类器的AUC均大于0.70，显示出强大的诊断潜力 。研究进一步整合了外周血单核细胞（PBMCs）的转录组数据进行多组学分析，揭示了VOCs的变化与免疫失调相关 。机制探索表明，吲哚作为关键的VOC生物标志物，其浓度降低与NOX组分NCF1/2的表达增加呈负相关 ，这提示了功能基因可能通过肿瘤驱动的免疫逃逸机制来调节呼出气体中的VOCs 。最后，研究开发了一个AI辅助的风险评估模型，该模型通过整合VOC生物标志物和免疫炎症临床指标（如NLR、PLR、LMR） ，实现了高灵敏度（0.90）、高特异性（0.86）和高准确性（0.85），性能比传统诊断模型提升了近20% 。这些发现强调了AI驱动的呼出气体挥发物分析在识别PBT生物标志物方面的潜力，并提出结合VOCs和临床指标的呼气活检作为一种非侵入性的早期诊断和风险分层有价值的临床工具。