07.27-08.02 临床预测模型研究顶刊快报

THE NATURE 2026/07/27-2026/08/02

1. 通过12导联心电图对左心房结构和功能的深度学习预测 07.31  nature communications

2. 纵向血浆蛋白质组学预测表型转化为临床表现的ALS  07.27 naturemedicine

THE NATURE

1、通过12导联心电图对左心房结构和功能的深度学习预测

Deep learning prediction of left atrial structure and function from 12-lead electrocardiograms

（1）背景：低心房心肌病（结构功能异常）是房颤、卒中及心衰的重要前兆，但金标准心脏磁共振（CMR）成本高、可及性差，难以大规模筛查。心电图（ECG）普及且廉价，但传统指标敏感性不足。

（2）结论：本研究开发深度学习模型（ECG-AI），以英国生物库超2万份配对ECG-CMR数据训练，预测左心房容积和射血分数。模型在外部队列中与房颤、心衰及心源性卒中的关联强度接近或优于CMR，可改善5年风险预测，并优于临床评分和NT-proBNP，为低成本广谱筛查提供新工具。

2、纵向血浆蛋白质组学预测表型转化为临床表现的ALS

Longitudinal plasma proteomics predict phenoconversion to clinically manifest ALS

（1）背景：肌萎缩侧索硬化（ALS）预防试验的最大障碍是无法预测无症状致病基因携带者何时会“表型转化”（即出现临床症状）。现有生物标志物（如神经丝轻链NfL）虽能提示风险，但预测精度和时间估算不足。

（2）结论：本研究基于33名转化者的516份纵向血浆样本（Olink高通量蛋白组），发现92种蛋白在转化前浓度已改变，并构建19蛋白核心预测模型。该模型预测0.5～5年内转化风险的交叉验证AUC达0.80～0.89，估算转化时间的平均绝对误差仅1.6年，显著优于NfL单指标。部分结果在UK Biobank中复现，为ALS预防试验的入组筛选和随访设计提供了可量化的工具。