08.24-08.30 临床预测模型研究顶刊快报

THE JAMA 2026/08/24-2026/08/30

THE LANCET 2026/08/24-2026/08/30

THE NATURE 2026/08/24-2026/08/30

1、基于心电图的深度学习模型用于转甲状腺素蛋白淀粉样变心肌病的优先筛查

Electrocardiogram-Based Deep Learning to Prioritize Testing for Transthyretin Amyloid Cardiomyopathy

（1）背景：转甲状腺素蛋白淀粉样变心肌病（ATTR-CM）是一种可治疗的心力衰竭病因，但临床诊断常被延误。在心脏影像检查资源有限的情况下，缺乏便捷、有效的初步筛查工具来优先安排患者进行确诊性检查，导致漏诊风险增加。

（2）结论：本研究开发的基于常规12导联心电图图像的本地化部署AI系统，在多个回顾性跨国队列及筛查队列中均表现出良好的ATTR-CM鉴别能力（内部验证AUC达0.84，外部8个队列AUC为0.76～0.91）。该AI-ECG工具或可作为简便的首步筛查手段，优先筛选出需进一步接受超声心动图和确诊性影像检查的患者。但研究同时指出，其实际应用场景和校准效果仍需通过前瞻性研究加以验证。

2、人工智能赋能的获取与解读，用于主动脉瓣狭窄筛查

Artificial Intelligence–Enabled Acquisition and Interpretation for Screening Aortic Stenosis

（1）背景：主动脉瓣狭窄（AS）的及时识别对于临床管理至关重要，但目前其筛查工作严重依赖于全面的超声心动图检查和专业影像人员，这在资源有限或基层医疗环境中难以大规模开展，导致许多患者无法被及时检出。

（2）结论：本研究的深度学习算法在多个验证队列中均能准确检测中度及以上主动脉瓣狭窄，其中内部测试队列AUC达0.99（95% CI，0.98-1.00），亚利桑那州（AUC，0.99）和佛罗里达州（AUC，0.99）的地理独立验证队列同样表现优异。在前瞻性评估中，无经验的新手操作者也能通过AI引导的聚焦心脏超声（FoCUS）获取可用于自动分析的有效影像（1258/1302，占96.6%），并实现高准确率的检测（灵敏度93%，特异度96%）。这一策略具有可扩展性，有望在超声心动图资源匮乏的情况下，扩大主动脉瓣狭窄的筛查和分诊覆盖面。

3、基于互联网的认知行为疗法对抑郁症治疗益处的预测

Prediction of Treatment Benefit With Internet-Based Cognitive Behavioral Therapy for Depression

（1）背景：抑郁症的互联网认知行为疗法（iCBT）虽已被广泛应用，但其治疗效果因人而异。目前尚不清楚基于临床基线变量构建的治疗获益预测模型是否能够跨不同iCBT项目通用，并有效支持个体化治疗决策，从而实现精准分流。

（2）结论：本研究基于5项随机对照试验（1589名参与者，3个iCBT项目）发现，基线抑郁症状严重程度是最强的效应修饰因子（严重程度每增加1个单位，治疗获益提升0.16分），弹性网络回归模型在外部样本中对患者的预期获益排序具有一定可迁移性。然而，按模型推荐选择性治疗的表现反而劣于“全部治疗”策略（PHQ-9评分差值为−2.01至−0.25分），提示该模型尚不足以精准支持基于模型的目标化治疗分配。研究同时肯定了iCBT在更严重抑郁患者中的价值，并强调未来需全面评估预测模型的各个维度性能。

4、通过深度学习检测伤口图像中的切口手术部位感染

Detecting Incisional Surgical Site Infections on Wound Images Through Deep Learning

（1）背景：手术部位感染（SSI）是常见的术后并发症，但往往在患者出院回家后才被发现，尤其在当前快速康复外科（fast-track recovery）背景下更为突出。通过远程医疗进行居家监测虽可缩短诊断延迟，但人工审阅伤口照片耗时费力、观察者间一致性差，且容易遗漏早期感染征象。

（2）结论：本研究开发并外部验证了一款用于从伤口照片中检测SSI的深度学习模型。该模型在内部测试中AUC达0.91（95% CI，0.88-0.93），外部验证中AUC为0.82（0.75-0.90），校准良好且决策曲线分析显示具有净临床获益。若将其整合到远程医疗工作流中，该模型有望实现SSI病例的自动化分诊和早期预警，为规模化术后监测提供可行方案。

1、传统深度学习模型的性能与标签效率与视网膜特异性眼部及系统性疾病检测基础模型：回顾性比较研究

Performance and label efficiency of traditional deep-learning models and a retina-specific foundation model for ocular and systemic disease detection: a retrospective comparative study

（1）背景：RETFound是首个眼科领域的自监督基础模型，在视网膜图像上经过大规模预训练，但其与传统深度学习模型（ResNet50、ViT-Base、SwinV2）在眼部和全身性疾病检测上的性能优劣尚缺乏系统比较，尤其在不同标注数据量下的标签效率和泛化能力仍是空白。

（2）结论：在眼部疾病检测中，传统模型与RETFound在大数据集微调时性能相当（AUC 0.914～0.966）；而在全身性疾病（糖尿病、高血压、慢性肾病）检测中，当微调数据稀少（≤400张）时，RETFound在内外测试中普遍优于传统模型（AUC差值<0.15），但其计算资源消耗最高，且跨种族泛化性仍不理想，提示基础模型在数据稀缺的全身性疾病场景中更具优势，但需权衡部署成本。

2、基于多模态人工智能的经导管主动脉瓣植入后长期死亡预测：一项多中心开发、验证与测试研究

Multimodal artificial intelligence-based long-term mortality prediction after transcatheter aortic valve implantation: a multicentre development, validation, and testing stud

（1）背景：经导管主动脉瓣植入术（TAVI）后患者的长期生存受多因素影响，但现有风险评分（如STS-PROM、EuroSCORE）基于有限变量且源于外科手术数据，在TAVI人群中预测效能不足，尤其缺乏针对长期生存的、可外部泛化的、具备可解释性的预测工具。

（2）结论：本研究利用多模态临床数据（含实验室、心电图、超声、CT及术中参数），开发了四种生存预测模型（CoxNet、RSF、GBS、DeepSurv），在瑞士中心内部验证及日本中心外部测试中，AI模型在所有长期时间点（1～5年）均显著优于传统风险评分（5年AUC提升约10%～15%），其中RSF在全因死亡（外部C-index 0.712）、CoxNet在心血管死亡（外部C-index 0.776）表现最佳，且模型代码与公开网页应用已上线，支持个体化风险分层与临床决策。

3、迈向统一且全面的自动脑电图解读：多中心开发与验证脑电图基础模型

Toward unified and comprehensive automated electroencephalogram interpretation: a multicentre development and validation of an electroencephalogram foundation model

（1）背景：脑电图（EEG）是神经系统疾病诊断的核心工具，但全球范围内具备专业解读能力的专家严重匮乏，多数EEG由未经专科培训的医生判读，误判率较高。现有AI模型仅针对单一任务或特定场景（如癫痫监测、重症监护），缺乏一个能够覆盖所有临床环境、全年龄段及多类EEG异常模式的统一基础模型。

（2）结论：本研究开发了EEG基础模型MORGOTH，基于自监督预训练及多任务微调，涵盖17项EEG判读任务（事件级与EEG级），在内部验证（AUC-ROC 0.86～0.98）及跨52家机构的外部验证中均达到专家级水平，尤其在痫样放电（EUC=100%）及发作-发作间期-损伤连续谱（EUC=96.6%）检测中表现突出；在7个多专家标注数据集上，MORGOTH平均超越66.2%的个体专家，校准性能亦优于基线模型，且对年龄、性别及中度通道缺失具有较强鲁棒性，为资源匮乏地区及高负荷中心提供了统一的自动化EEG判读解决方案。

4、脂肪组和多基因风险评分在当代临床心血管风险评估路径中的整合：多队列开发与验证研究

Integration of lipidomic and polygenic risk scores within contemporary clinical cardiovascular risk assessment pathways: a multi-cohort development and validation study

（1）背景：现行指南推荐的临床风险评分（如AusCVDRisk）在大量后续发生心血管事件的人群中低估了风险，高达65%的事件者初筛为低或中危，尤其中间风险组（5%～10%）治疗决策最不确定，亟需引入常规临床变量无法捕捉的分子维度信息（循环脂质种类与遗传易感性）以优化风险分层。

（2）结论：本研究在保留AusCVDRisk框架基础上，分别叠加脂质组学评分（689种脂质，AusDiab队列衍生）和冠心病多基因风险评分（PGS002048，BHS队列优化），构建了联合模型LG.CVDRisk。在5个澳大利亚队列（共13,521人）外部验证中，中间风险组C-statistics提升0.071（95% CI 0.033～0.109），净重分类改善达0.305（0.212～0.397），其中38.2%的未来事件被正确上调至高危，仅6.8%的非事件被误上调；决策曲线显示条件性分子检测（仅用于中间风险人群）净获益最大，且在CT影像队列中能正确将41%的冠脉钙化>400的中危患者上调至高危，支持在现有临床路径中靶向应用分子检测以指导个性化预防。

1、预测新诊断糖尿病成人的急性和慢性糖尿病并发症：动态风险预测模型的开发与验证

Predicting acute and chronic diabetes complications among adults newly diagnosed with diabetes: development and validation of dynamic risk prediction models

（1）背景：糖尿病影响全球十分之一的成人，但临床缺乏能同时预测个体近期最可能发生哪种并发症的工具。现有模型多针对单一并发症、基于专科队列开发、时间窗不统一，难以支持个体化临床决策，亟需一个能动态预测多种急慢性并发症的统一框架。

（2）结论：本研究基于美国40万新诊断糖尿病成人的行政索赔数据，采用GLMnet和XGBoost开发了可每月更新预测的9种并发症动态模型（含心血管、肾病、视网膜病变及高低血糖危象等），在梅奥诊所EHR外部验证中，GLMnet在8/10个结局上AUC达0.80～0.85（最高为低血糖危象0.85，最低为高血糖危象0.77），且预测风险轨迹可随新临床数据动态演变；SHAP解释性分析显示年龄、高血压并发症、糖尿病病程等为关键驱动因素，为临床共享决策和人群健康管理提供了可部署的个性化风险分层工具。