02.09-03.01 临床预测模型研究顶刊快报

THE JAMA  2026/02/09-2026/03/01

1、多中心前瞻性验证更新后的专有败血症预测模型  02.27  JAMA Network Open

2、妊娠期间的临床因素和生物标志物及心血管疾病风险  02.18  JAMA Cardiology

3、开源AI模型在肺癌EGFR预测中的祖源相关表现变异性  02.12  JAMA Oncology

THE LANCET  2026/02/09-2026/03/01

1. 孕妇出血的早期评估：开发与验证预测死亡和危重病例的预后模型  03  The Lancet Global Health

2. 开发与验证用于识别间质性肺病队列的可推广机器学习算法：一项回顾性队列研究  02.20  eClinicalMedicine

3. 整合CT深度学习、CT放射学和外周血免疫谱的数据，诊断出现症状患者的肺癌  02.19  eBioMedicine

4. 重症监护病房中AURIS评分用于预测念珠菌奥里斯定植患者的念珠血症的开发与验证：一项双中心回顾性队列研究  02.18  The Lancet Infectious Diseases

5. 基于Nomogram的风险分类，用于预测PSMA PET分期稀发性前列腺癌中转移导向立体定向体体放射治疗反应：一项国际回顾性队列研究  02.16  The Lancet Oncology

6. 利用先进机器学习预测阿替利珠单抗加贝伐单抗治疗晚期肝细胞癌的结局：一项回顾性队列研究  02.12  The Lancet Digital Health

THE NATURE  2026/02/09-2026/03/01

1、机器学习预测的胰岛素抵抗是12种癌症的风险因素之一  02.16  nature communications

2、PanMETAI——一种高性能的基础表格模型，通过核磁共振代谢组学实现胰腺癌准确诊断  02.13   nature communications

1、多中心前瞻性验证更新后的专有败血症预测模型

Multicenter Prospective Validation of an Updated ProprietarySepsis Prediction Model

（1）背景：尽管Epic败血症模型第二版（ESM v2）已在美国数百家医院广泛部署，但尚无多中心外部验证研究评估其实际预测性能。

（2）结论：在4个大型医疗系统对227091例住院患者的前瞻性验证中，ESM v2在预测败血症方面表现出中等至良好的区分能力（AUROC介于0.82至0.92之间），但存在显著的机构间差异、阳性预测值低、警报负担高，提示医疗机构在部署前应进行本地验证并优化临床工作流程。

2、妊娠期间的临床因素和生物标志物及心血管疾病风险

Clinical Factors and Biomarkers During Pregnancy and Risk of Cardiovascular Disease

（1）背景：心血管疾病（CVD）是全球女性死亡的主要原因。怀孕作为一种自然的心血管压力测试和普遍的临床体验，但很少有方法利用其来评估长期心血管风险。

（2）结论：这项研究纳入生物标志物队列，中位年龄30.4岁，中位随访11.9年，期间28名女性（1.4%）发生心血管疾病。孕产妇年龄、妊娠期高血压障碍及孕晚期hs-cTnI和sFlt-1浓度是独立预测因素。在第29周，年龄联合sFlt-1模型显著改善了心血管疾病风险辨别能力（ΔAUC 0.16），优于仅含年龄或临床指标的模型，且在亚组中结果一致。

3、开源AI模型在肺癌EGFR预测中的祖源相关表现变异性

Ancestry-Associated Performance Variability of Open-Source AI Models for EGFR Prediction in Lung Cancer

（1）背景：尽管开源AI病理模型可快速预测肺癌EGFR突变，但其在不同人群中的表现一致性尚不明确。

（2）结论：在2098例肺腺癌患者的验证中，EAGLE模型整体表现稳健（AUC 0.81-0.83），但亚组分析显示在亚裔患者（AUC 0.68）和胸膜样本（AUC 0.66）中性能下降，提示AI模型在临床部署前需针对不同祖源和组织类型进行验证与校准。

1、孕妇出血的早期评估：开发与验证预测死亡和危重病例的预后模型

Early assessment of maternal bleeding: development and validation of a prognostic model predicting death and near miss

（1）背景：产后出血是孕产妇死亡主因，现有预测模型多关注输血或出血量，缺乏针对死亡或危重并发症的早期风险评估工具。

（2）结论：基于43450例产妇数据开发的BAD评分（包含年龄、血压、贫血等7个指标）可有效预测死亡或危重事件（AUROC 0.82），在中低收入国家表现良好，可指导氨甲环酸的早期精准使用。

2、开发与验证用于识别间质性肺病队列可推广机器学习算法：一项回顾性队列研究

Development and validation of a generalisable machine learning algorithm for identifying interstitial lung disease cohorts: a retrospective cohort study

（1）背景：间质性肺病（ILD）作为罕见病，基于诊断编码的传统队列识别方法存在准确性低、泛化性差的问题。

（2）结论：基于多中心EHR数据开发的通用ILD分类器（Universal ILD Classifier）采用梯度提升树模型，在三个外部验证中心表现稳健（平均PPV 0.67，敏感性0.97，AUC 0.96），显著优于基于规则的识别方法，为ILD流行病学研究和临床试验提供了可推广的自动化识别工具。

3、融合CT深度学习、CT放射学和外周血免疫谱，用于诊断出现症状患者的肺癌

Fusing data from CT deep learning, CT radiomics and peripheral blood immune profiles to diagnose lung cancer in a cohort of patients experiencing symptoms

（1）背景：肺癌早期诊断困难，现有CT筛查存在假阳性率高、依赖放射科医生等问题，且基于ctDNA的液体活检对早期肺癌敏感性较低。

（2）结论：基于170例有症状患者的CT深度学习、CT放射学及外周血免疫谱数据，通过贝叶斯回归构建融合预测模型，最终模型的ROC AUC达0.81，敏感性和特异性分别为0.72和0.77，为肺癌早期筛查提供了多模态融合的新策略。

4、重症监护病房中AURIS评分用于预测耳念珠菌定植患者的念珠血症的开发与验证：一项双中心回顾性队列研究

Development and validation of the AURIS score for predicting candidaemia in Candidozyma auris-colonised patients in the intensive care unit: a bicentric retrospective cohort study

（1）背景：念珠菌是一种新兴的多重耐药病原体，常在住院患者身上定殖，并可能引发侵袭性疾病。传统工具，如念珠菌评分，在这种环境下表现不佳。我们旨在外部验证并完善重症监护病房（ICU）定植患者中耳念珠菌血症的临床预测模型。

（2）结论：外部验证队列纳入216名患者，念珠菌血症发生率14%。合并衍生队列后共422例患者（16%念珠菌血症）。最终模型保留四个独立预测因子：全静脉营养、既往抗真菌治疗、多灶定植和尿路隔离。由此构建的AURIS评分验证AUC为0.81，显著优于念珠菌评分（0.75）。在28%阈值下，该评分的敏感度为0.72，特异度为0.84，阴性预测值达0.94。

5、基于Nomogram的风险分类，用于预测PSMA PET分期稀发性前列腺癌中转移导向立体定向体体放射治疗反应：一项国际回顾性队列研究

Nomogram-based risk classification for predicting response to metastasis-directed stereotactic body radiotherapy in PSMA PET-staged oligorecurrent prostate cancer (PORTAL): an international, retrospective cohort study

（1）背景：转移导向治疗（MDT）可以推迟少发性前列腺癌的雄激素剥夺疗法（ADT），但结局各异，且风险分层工具较少。我们的目标是开发和验证一种预测无ADT存活率的预测模型。

（2）结论：这项研究纳入586例患者（发展队列）和131例患者（外部验证队列），中位随访37-43个月。1年无ADT生存率分别为84.3%和92.8%。早期ADT独立预测因子包括：MDT前PSA（HR 1.05）、PSA倍增时间（HR 0.97）、3-5个病灶（HR 1.74）和远处转移（HR 1.45）。模型辨别率在发展队列为0.66，验证队列为0.65，成功将患者分为三个预后风险组。

6、利用先进机器学习预测阿替利珠单抗加贝伐单抗治疗晚期肝细胞癌的结局：一项回顾性队列研究

The use of advanced machine learning to predict outcomes after atezolizumab plus bevacizumab for advanced hepatocellular carcinoma: a retrospective cohort study

（1）背景：尽管阿替利珠单抗联合贝伐单抗是晚期肝细胞癌的一线疗法，但仅约三分之一的患者获益，现有临床指标预测能力有限。

结论：基于774例患者的44项基线临床变量，通过集成机器学习模型预测总生存期（外部验证AUC 0.75）和无进展生存期（AUC 0.64），显著优于BCLC分期、AFP等传统指标，可实现患者风险分层以指导个体化治疗。

1、机器学习预测的胰岛素抵抗是12种癌症的风险因素之一

Machine learning-predicted insulin resistance is a risk factor for 12 types of cancer

（1）背景：胰岛素抵抗与癌症风险的关系缺乏大规模流行病学证据，而传统胰岛素抵抗评估方法难以在普通人群中应用。

（2）结果：基于9项临床参数的机器学习模型AI-IR在UK Biobank中成功预测胰岛素抵抗，其对12种癌症（如子宫、肾、食管癌）的发病风险具有显著预测能力，AUC达0.798，优于BMI、TyG指数等传统指标，可作为糖尿病和多种癌症风险筛查的有效工具。

2、PanMETAI——一种高性能的基础表格模型，通过核磁共振代谢组学实现胰腺癌准确诊断

PanMETAI - a high performance tabular foundation model for accurate pancreatic cancer diagnosis via NMR metabolomics

（1）背景：胰腺导管腺癌（PDAC）因缺乏有效早期诊断手段，患者5年生存率仅13%，而传统标志物CA19-9特异性有限。研究旨在开发基于核磁共振（NMR）代谢组学数据的高性能预测模型

（2）结果：基于核磁共振代谢组学数据，整合血清代谢谱、年龄、CA19-9和Activin A，采用TabPFN算法构建的PanMETAI预测模型，在台湾训练集AUC达0.99，在立陶宛外部验证集AUC为0.93，对早期PDAC同样敏感，且在小样本下仍保持高准确性，为胰腺癌早期诊断提供了精准的非侵入性工具。