07.20-07.26 临床预测模型研究顶刊快报

1、开发并独立验证低氧血症风险预测模型（HAPPY-12K）用于镇静性胃肠内镜：一项多中心前瞻性队列研究 07.23  eClinicalMedicine

2、基于语音的深度学习模型预测亨廷顿病患者临床评分：一项纵向研究及横断面外部验证  07.23  THE LANCET Digital Health

1、开发并独立验证低氧血症风险预测模型（HAPPY-12K）用于镇静性胃肠内镜：一项多中心前瞻性队列研究

Development and independent validation of a hypoxemia risk prediction model (HAPPY-12K) for sedated gastrointestinal endoscopy: a multicentre prospective cohort study

（1）背景：低氧血症是镇静胃肠内镜中门诊和住院患者常见且严重的并发症。尽管阻塞性睡眠呼吸暂停（OSA）和呼吸道难度评估（DAA）的诊断和严重程度评分系统被广泛用于评估低氧血症风险，但现实生活中尚无专门设计的预测模型和便捷工具。

（2）结论：HAPPY-12K是一个基于中国汉族人群开发、用于预测镇静下消化道内镜检查中低氧血症风险的工具，其在同族裔外部队列中区分能力优异（AUC达0.818~0.895），在维吾尔族人群中AUC为0.771，且校准度良好、优于其他同类模型；据估算，该模型每年可精准识别全国超50万例真正会发生低氧血症的患者，同时避免超600万次不必要的干预，现已作为免费在线工具（http://bigdata.njmu.edu.cn/HAPPY-12K/）供临床使用。

2、基于语音的深度学习模型预测亨廷顿病患者临床评分：一项纵向研究及横断面外部验证

A deep learning model for speech-based prediction of clinical scores in people with Huntington’s disease: a longitudinal study with cross-sectional replication

（1）背景：在神经退行性疾病中，需要在脑部发生不可逆损伤之前，就有灵敏的工具来追踪病情变化和评估治疗效果。语音作为一种无创、易采集的信号，有望成为反映疾病进展的动态生物标志物。为此，研究者开发了NDSNet——一个深度学习模型，能够通过语音自动评估亨廷顿病患者（从症状前期到症状期）每次就诊时的临床评分，从而实现对疾病进程的连续监测。

（2）结论：研究共纳入开发队列191名亨廷顿病患者和58名健康对照，以及复制队列110名患者（其中78名为新病例）。在开发队列中，NDSNet预测的临床评分与真实评分高度吻合，总体相对误差仅11.4%，预测的运动评分与临床医生评分的可靠性相当。预测值能在个体水平上灵敏反映临床症状随时间的变化。在复制队列中，模型性能保持稳定（相对误差15.0%）。此外，预测评分与脑部MRI纹状体萎缩的关联在症状阶段与真实评分相似，而在症状前早期阶段（HD-ISS 0~1期）关联甚至更强，提示语音可能比MRI更早捕捉到疾病信号。