04.07-04.12 临床预测模型研究顶刊快报

1、紫杉类诱发的早期癌症周围神经病变风险预测模型

Risk Prediction Model for Taxane-Induced Peripheral Neuropathy in Early-Stage Cancer

（1）背景：紫杉类药物常引起周围神经病变（TIPN），发生率高达70%，影响治疗完成和生活质量，但缺乏有效的预防和干预手段。现有研究多为回顾性、样本小或评估标准不一，因此需要建立一个基于前瞻性数据的、可临床应用的TIPN风险预测模型，以识别高风险患者并指导个体化治疗与监测。

（2）结论：研究基于1278例早期癌症患者，通过训练和验证两步法，建立了一个包含5项危险因素的TIPN风险预测模型：紫杉醇、分期II/III、用药时长>12周、特定合并症（糖尿病/自身免疫病/肾病/神经系统疾病）、特定种族/民族。高风险组TIPN发生率为68.1%，低风险组为50.9%（绝对差17.2%），最高与最低风险组差异达36.7%。该模型可用于临床决策、症状监测及预防性试验入组筛选。

2、不同败血症定义下的败血症预测模型表现

Performance of a Sepsis Prediction Model Across Different Sepsis Definitions

（1）背景：早期识别败血症可改善临床结局，但现有败血症预测模型（如Epic第一版）表现不佳。模型评估受不同败血症定义影响，难以直接比较。本研究对本地训练的第二版败血症预测模型，在三种常见电子化败血症定义（Sepsis-3、SEP-1、ASE）下进行前瞻性静默评估，以全面了解其预测性能。

（2）结论：该模型在不同败血症定义下表现差异显著：对Sepsis-3的AUROC为0.89、AUPRC为0.24，对SEP-1和ASE的AUPRC分别为0.16和0.11。模型能提供中等提前预警（如Sepsis-3中位提前3.4小时），但假阳性率高。研究提示，败血症预测模型需根据具体定义和临床场景进行校准与实施，谨慎选择阈值以平衡预警效益与假阳性负担。

1、用于女性骨质疏松早期检测和风险分层的多参数模型（OsteoSC-M3）：中国多中心队列研究

A multiparameter model (OsteoSC-M3) for early detection and risk stratification of osteoporosis in women: a multicentre cohort study in China

（1）背景：骨质疏松早期筛查率低（中国50岁以上女性仅3.7%），现有工具准确性有限，DXA金标准可及性差。研究旨在开发一个基于集成机器学习、整合人口学与血清学指标的多参数预测模型OsteoSC-M3，用于女性骨质疏松的早期风险识别与分层。

（2）结论：OsteoSC-M3包含11个变量（年龄、身高、体重及8种血清标志物），采用堆叠集成框架（9个基模型+XGBoost元学习器）。模型在内部验证集AUC为0.943，两个外部队列AUC分别为0.958和0.917，且能比临床诊断提前约29个月识别高风险个体（HR=7.63），优于现有OSTA工具，并已部署为在线计算平台。