12.15-12.21临床预测模型研究顶刊快报

1、钝性创伤后儿童颈椎损伤临床预测规则的比较

Comparison of Cervical Spine Injury Clinical Prediction Rules for Children After Blunt Trauma

（1）背景：儿童颈椎损伤（CSI）是一种罕见但可能导致严重残疾甚至死亡的钝性创伤并发症。在急诊环境中，准确识别需要颈椎影像学检查的高风险患儿至关重要，以避免漏诊和过度使用辐射性检查（如CT）。目前临床常用的预测规则主要包括NEXUS（国家急诊X线使用研究）和CCR（加拿大颈椎规则），但这些规则主要基于成人数据，在儿科群体中的应用证据有限。为填补这一空白，儿科急诊护理应用研究网络（PECARN）专门针对儿童开发了一项新的CSI预测规则，旨在通过风险分层指导影像学选择（无需影像、X线摄影或CT），以期在提高诊断准确性的同时减少不必要的CT使用。

（2）结论：本研究比较了PECARN、NEXUS和CCR三种预测规则在22,430名钝性创伤患儿中的表现。结果显示，PECARN规则具有最高的敏感性（93.3%）和阴性预测值（99.8%），其曲线下面积（AUC）为0.77，优于NEXUS（0.75）和CCR（0.74）。在预测影像学使用方面，PECARN规则预计的CT检查率最低（6.9%），显著低于NEXUS（10.8%）和CCR（13.2%）。尽管NEXUS的特异性略高，但PECARN规则在减少漏诊病例方面表现最佳，尤其是在低龄儿童中仍保持较高的敏感性与分层影像指导能力，显示出其在儿科颈椎损伤风险评估中的优越性与临床适用性。

1、将宿主生物标志物与大型语言模型相结合，用于诊断下呼吸道感染

Integrating a host biomarker with a large language model for diagnosis of lower respiratory tract infection

（1）背景：下呼吸道感染是危重患者死亡的主要诱因，但因其临床表现与非感染性呼吸衰竭高度相似，诊断极具挑战，常导致抗生素滥用和耐药性问题。传统的微生物检测和临床生物标志物（如CRP、PCT）存在局限，亟需开发更精准的诊断工具。宿主转录组生物标志物和大型语言模型为感染诊断提供了新思路。

（2）结果：研究团队成功构建了一个融合宿主生物标志物FABP4表达与GPT-4病历分析的联合诊断分类器。在危重成人患者队列中，该联合分类器的诊断性能（AUC 0.93，准确率84%）显著优于单独使用FABP4或GPT-4，也超过了临床团队的初始诊断水平。独立验证进一步证实了其卓越的泛化能力（AUC 0.98，准确率96%）。这表明，整合生物标志物与AI分析可显著提升感染诊断精度，为抗菌药物管理提供了有力工具。

2、整合蛋白质语言和几何深度学习模型以增强疫苗抗原预测

Integrating protein language and geometric deep learning models for enhanced vaccine antigen prediction

（1）背景：疫苗开发的核心挑战是从大量病原体蛋白中快速、准确地识别能诱导有效免疫的保护性抗原。传统反向疫苗学方法多依赖手工设计的蛋白质序列特征，难以捕捉其复杂的三维结构与深层功能关联。近年来，蛋白质语言模型与几何深度学习技术的发展，为同时利用序列信息与空间结构特征进行抗原预测提供了新思路。本研究旨在开发一个整合这两种技术的计算框架，以克服传统方法局限性，实现跨病原体的精准抗原预测。

（2）结论：研究构建了包含600个保护性抗原和6000个非抗原的高质量数据集，并利用AlphaFold3预测了所有蛋白的三维结构。所提出的PLGDL框架通过蛋白质语言模型ESM-2提取序列特征，并借助改进的图卷积网络NEGCN提取结构特征。XGBoost分类器在该整合特征上表现最佳，在整体数据上取得了最高准确率（0.949）和PR-AUC（0.692）。该模型不仅性能优于仅使用序列的传统方法及仅在单一病原体数据上训练的模型，而且在Mpox病毒的实际应用中发现并实验验证了新型保护性抗原G10R，证明了其强大的发现能力和实际应用价值。