01.05-01.11 临床预测模型研究顶刊快报

JAMA Network

1、人工智能预测住院时长和儿科手术能力

Artificial Intelligence Length-of-Stay Forecasting and Pediatric Surgical Capacity

（1）背景：医院正日益面临住院患者数量波动和难以预测的挑战，包括手术患者床位过高或过低的情况。人工智能有望促进术后病床管理，并稳定床位容量。

（2）结论：术后住院时间（LOS）模型的准确率为85.6%，允许有1晚的误差。模型的平均绝对误差为0.6天。在择期手术排班和医院床位管理中应用LOS模型后，每个工作日的择期手术例数中位数增加了5例。一周中各天的术后住院天数差异显著降低。床位占用天数的四分位距（IQR）在周中降幅最大：周三和周四分别下降了43%和44%。工作日床位利用率不足（<84名患者）的比例从33%下降到10%（P <.001），而床位利用率过剩的天数并未显著增加。

THE LANCET

1、利用深度学习技术对心电图进行慢性阻塞性肺疾病的自动诊断

Automated diagnosis of chronic obstructive pulmonary disease using deep learning applied to electrocardiograms

（1）背景：慢性阻塞性肺疾病（COPD）早期诊断困难，传统方法成本高且不易普及。心电图作为广泛使用的无创检查，可能蕴含与COPD相关的心肺交互信号，但人工难以识别。深度学习可挖掘心电图中隐藏的病理模式，为开发低成本、自动化的COPD筛查模型提供了可能。

（2）结论：研究开发了基于深度学习的心电图预测模型，在超过76万份心电图数据上训练，在多个独立队列中验证有效（AUC 0.75-0.82）。模型预测与肺功能指标相关，在临床诊断前数月已显示出信号，证实其可作为早期、便捷的COPD筛查辅助工具。

2、基于SEEG的个性化癫痫发作检测和致痫灶定位，用于治疗药物难治性癫痫

SEEGformer: personalised SEEG-based seizure detection and epileptogenic zone localisation for drug-resistant epilepsy

（1）背景：药物难治性癫痫的治疗依赖于精准定位致痫灶，目前主要依靠立体脑电图进行数周监测，产生海量数据。人工分析费时且主观性强，亟需一种自动化、个体化的高精度方法，利用深度学习从SEEG数据中同时实现癫痫发作检测与致痫灶定位。

（2）结论：本研究提出的SEEGformer预测模型，基于并行Transformer架构，利用SEEG信号的实部、虚部和幅值等多维信息，并融合MRI空间编码。模型在61例患者数据中验证，平均发作检测AUROC达0.937，致痫灶定位AUROC达0.798，性能优于现有方法，且具有高可解释性，能为临床决策提供数据驱动的个体化参考。

Nature

1、利用人工智能技术从组织病理学中构建虚拟空间蛋白质组学，以发现肺癌中可解释的生物标记物

AI-enabled virtual spatial proteomics from histopathology for interpretable biomarker discovery in lung cancer

（1）背景：空间蛋白质组学能高分辨率解析肿瘤微环境，但成本高昂且难以临床规模化。常规H&E染色组织病理学切片广泛可得但缺乏分子层面信息。研究旨在开发一种AI模型，直接从标准H&E图像中预测空间蛋白质表达，以实现低成本、可扩展的虚拟空间蛋白质组学分析，并用于发现可解释的生物标志物。（2）结果：研究提出的HEX预测模型能够从H&E切片准确预测40种蛋白质标志物的空间表达（平均Pearson r达0.79）。通过多模态整合（MICA），该模型在6个独立肺癌队列（共2298例患者）中显著提升了预后预测（准确率提高22%）和免疫治疗反应预测（提高24–39%）的准确性，并揭示了与治疗反应相关的空间肿瘤-免疫生态位，为临床提供了低成本、可解释的精准医学工具。

2、用于疾病预测的多模态睡眠基础模型

A multimodal sleep foundation model for disease prediction

（1）背景：睡眠作为重要的生理过程，与多种疾病密切相关，但传统基于多导睡眠图（PSG）的分析受限于数据标准化困难、模型泛化能力不足以及多模态信息整合不充分等问题。现有研究多依赖有监督学习和小规模标注数据，难以系统挖掘睡眠信号对广泛疾病的预测潜力。因此，需要构建一种能够从大规模、多模态睡眠数据中学习通用表征的基础模型，以提升疾病预测的准确性与可扩展性。（2）结果：本文提出的多模态睡眠基础模型SleepFM在超过58.5万小时的PSG数据上训练，通过对比学习实现跨模态信息对齐。该模型仅凭单晚睡眠数据即可准确预测130种未来疾病，包括全因死亡、痴呆、心肌梗死等，C-Index均超过0.75，且展现出强大的跨队列与时域泛化能力。SleepFM在睡眠分期、呼吸事件检测等任务上也达到先进水平，表明基础模型能够有效捕捉睡眠的生理语言，为实现规模化、低标注成本的睡眠健康监测与疾病预警提供了可行路径。

3、利用不确定性感知机器学习预测全球化学品市场非致癌性人类毒性

Uncertainty-aware machine learning to predict non-cancer human toxicity for the global chemicals market

（1）背景：人类接触到数千种化学物质，但有限的毒性数据阻碍了对这些物质对人类健康影响的有效管理。高性能机器学习模型有望弥补这一空白，但其在更广泛化学物质上的预测性能尚未得到充分表征，这削弱了人们对其结果的信心。（2）结果：我们预测了全球超过10万种市售化学物质的毒性，并给出了95%的置信区间，同时识别出了毒性和不确定性的热点区域。这些结果可用于指导旨在减少潜在人类健康影响的决策，并指导有针对性的数据生成和建模工作，以降低预测的不确定性。本文表明，提高预测不确定性的透明度能够为建立毒性预测的信心提供关键见解，从而支持将基于机器学习的预测合理地整合到化学物质评估中。

4、1型糖尿病的炎症过程始于妊娠期

The inflammatory path toward type 1 diabetes begins during pregnancy

（1）背景：目前缺乏能够预测1型糖尿病（T1D）发生的高效早期筛查方法。虽然遗传因素（如HLA基因）和胰岛自身抗体可用于风险评估，但其局限性明显，无法在广泛人群中实现精准、无创的早期预警。本研究旨在通过分析大规模出生队列的脐带血蛋白质组学数据，探索在出生时即存在的炎症信号，以建立一种独立于遗传风险的、非侵入性的T1D早期预测模型。

（2）结果：研究发现，在出生时即可通过脐带血蛋白质组学检测到与未来T1D发生显著相关的炎症信号。基于递归特征消除和梯度提升模型，筛选出的蛋白质标志物（如HLA-DRA、IDS等）能够以高准确度（AUC达0.89）预测未来T1D的发生。该预测模型的性能不依赖于HLA基因型信息，表明蛋白质组学标志物可作为独立于遗传风险的强有力预测工具，为未来开展面向普通人群的新生儿早期筛查和干预提供了重要依据。

5、围手术期替雷利珠单抗联合乐伐替尼治疗复发风险高的可切除肝细胞癌：单臂 II 期试验

Perioperative tislelizumab plus lenvatinib treatment for resectable hepatocellular carcinoma at high risk of recurrence: single-arm phase II trial

（1）背景：肝细胞癌术后复发率高，尤其对于复发高危患者，现有辅助免疫疗法效果尚存争议。本研究旨在探索一种新辅助联合围手术期方案，即替雷利珠单抗（抗PD-1）联合乐伐替尼（多激酶抑制剂）在可切除高危HCC患者中的应用。为更精准筛选获益人群，研究通过机器学习构建预测模型，旨在识别不适用于该联合方案的患者，避免因术前治疗延误手术时机。

（2）结果：研究基于TabPFN模型，利用六个治疗前血液指标（CRP、γ-G、TB、γ-GT、LDH-ISO、UA）成功构建了一个预测模型，该模型在训练集和测试集中均表现出高特异性（训练集100%，测试集100%），能有效识别对围手术期联合治疗不响应的患者，避免其手术机会延误。模型展示了利用常规无创血液指标实现治疗前分层、指导个体化临床决策的潜力。