1. 用于識別水通道蛋白4抗體（AQP4-IgG）陽性視神經(jīng)脊髓炎譜系障礙疾病活動的血液生物標志物  12.23  JAMA Neurology

2. 用于預測晚期非小細胞肺癌免疫治療反應的深度學習模型  12.26  JAMA Oncology 

1. 為什么在臨床上實施機器學習算法不是即插即用的解決方案：用于急性白血病亞型診斷的機器學習算法的模擬研究  12.24  eBioMedicine 

簡化冠狀動脈疾病風險分層：開發(fā)和驗證與臨床風險工具相當?shù)幕趩柧淼奶娲桨?nbsp; 12.24  eBioMedicine

1. 用于識別水通道蛋白4抗體（AQP4-IgG）陽性視神經(jīng)脊髓炎譜系障礙疾病活動的血液生物標志物

Blood-Based Biomarkers for Identifying Disease Activity in AQP4-IgG-Positive Neuromyelitis Optica Spectrum Disorder

(1) 目的：確定評估血清神經(jīng)膠質纖維酸性蛋白（sGFAP）和血清神經(jīng)絲輕鏈（sNfL）的最佳時機，建立區(qū)分視神經(jīng)脊髓炎譜系障礙（NMOSD）發(fā)作和緩解的臨界值，并在獨立隊列中評估這些發(fā)現(xiàn)。

(2) 結論：這項縱向隊列研究確定了sGFAP和sNfL的最佳時間和閾值，這在獨立隊列中是一致的，支持這些生物標志物在區(qū)分NMOSD發(fā)作和緩解方面的有效性。 

2. 用于預測晚期非小細胞肺癌免疫治療反應的深度學習模型

Deep Learning Model for Predicting Immunotherapy Response in Advanced Non?Small Cell Lung Cancer

(1) 目的：開發(fā)一種基于監(jiān)督深度學習的免疫檢查點抑制劑（ICI）反應預測方法；與其他已知的預測生物標志物一起評估其性能；并評估其與晚期非小細胞肺癌（NSCLC）患者臨床結果的相關性。

(2) 結論：這項隊列研究的結果表明，不同隊列中NSCLC患者的ICI反應具有強大且獨立的深度學習特征。這種深度學習模型的臨床使用可以提高治療精度，并更好地識別可能受益于ICI治療晚期NSCLC的患者。

1. 為什么在臨床上實施機器學習算法不是即插即用的解決方案：用于急性白血病亞型診斷的機器學習算法的模擬研究

Why implementing machine learning algorithms in the clinic is not a plug-and-play solution: a simulation study of a machine learning algorithm for acute leukaemia subtype diagnosis

(1) 背景：人工智能和機器學習算法在臨床醫(yī)學中顯示出巨大的前景。盡管已發(fā)布的算法數(shù)量不斷增加，但大多數(shù)算法仍未在實際臨床環(huán)境中得到驗證。本研究旨在模擬最近開發(fā)人工智能機器學習算法的實際實施挑戰(zhàn)，該算法旨在診斷急性白血病并報告其性能。

(2) 解釋：這些發(fā)現(xiàn)強調(diào)了在臨床實踐中實施機器學習算法的挑戰(zhàn)。盡管在研究環(huán)境中進行了穩(wěn)健的開發(fā)和驗證，但像人工智能這樣的機器學習模型可能需要進行重大調(diào)整和重新校準，以保持在不同臨床環(huán)境中的性能。我們的結果表明，臨床決策支持算法在集成到常規(guī)護理之前應經(jīng)過局部性能驗證，以確保可靠性和安全性。

2. 簡化冠狀動脈疾病風險分層：開發(fā)和驗證與臨床風險工具相當?shù)幕趩柧淼奶娲桨?/span>

Simplifying coronary artery disease risk stratification: development and validation of a questionnaire-based alternative comparable to clinical risk tools

(1) 背景：冠狀動脈疾病（CAD）是歐洲人口和全球發(fā)病率和死亡率的主要原因之一。所有已建立的臨床風險分層評分和模型都需要血脂和體格測量。歐盟委員會的最新報告表明，從物流和成本的角度來看，吸引衛(wèi)生專業(yè)人員收集這些數(shù)據(jù)可能具有挑戰(zhàn)性，這限制了已建立模型的有用性，并使它們不適合在資源有限環(huán)境（即農(nóng)村地區(qū)）進行全人群篩查。因此，本研究的目的是以最低的成本在人群規(guī)模上開發(fā)和外部驗證基于問卷的風險分層模型，即基于問卷的冠狀動脈疾病估計評估（QUES-CAD），以對冠狀動脈疾病的10年發(fā)病率進行分層。

(2) 解釋：QUES-CAD的性能與已建立的臨床預測模型相當，并能夠在人群范圍內(nèi)識別CAD的高危個體。本文開發(fā)和驗證的模型僅依賴于十個問卷變量，克服了現(xiàn)有模型依賴于物理測量或生物標志物的局限性。