1. 基于中國體檢記錄的COVID-19后病情比較隊(duì)列研究

A comparative cohort study of post-COVID-19 conditions based on physical examination records in China

(1) 背景：2019年冠狀病毒?。–OVID-19）是由SARS-CoV-2病毒感染引起的是一種多系統(tǒng)疾病，可能在多個(gè)層面對各種器官產(chǎn)生多方面的影響。截至2022年底，由于疫情防控政策的調(diào)整，超過90%的中國人口在35天內(nèi)感染了SARS-CoV-2。這種短期變化為大規(guī)模人群中COVID-19感染的比較研究提供了前所未有的機(jī)會。

(2) 解釋：這些發(fā)現(xiàn)強(qiáng)調(diào)了COVID-19對心血管健康的影響及其與慢性病的潛在相互作用。

 2. 開發(fā)和驗(yàn)證預(yù)測創(chuàng)傷性腦損傷患者認(rèn)知障礙的模型：一項(xiàng)前瞻性觀察研究

Development and validation of a model to predict cognitive impairment in traumatic brain injury patients: a prospective observational study

(1) 背景：創(chuàng)傷性腦損傷（TBI）是全球范圍內(nèi)的一個(gè)重大的公共衛(wèi)生問題，每年影響數(shù)百萬人。認(rèn)知障礙是TBI最常見的長期后果之一，嚴(yán)重影響生活質(zhì)量。我們旨在開發(fā)和驗(yàn)證TBI患者認(rèn)知障礙的預(yù)測模型，目的是早期識別和支持那些在入院時(shí)有發(fā)生認(rèn)知障礙風(fēng)險(xiǎn)的人。

(2) 解釋：這種預(yù)測TBI后認(rèn)知障礙的模型對于促進(jìn)臨床醫(yī)生的早期預(yù)測具有潛在價(jià)值，有助于早期開始認(rèn)知障礙的預(yù)防性干預(yù)。

 3. 前瞻性部署的基于深度學(xué)習(xí)的自動(dòng)化質(zhì)量保證工具，用于腫瘤姑息性脊柱放射治療

A prospectively deployed deep learning-enabled automated quality assurance tool for oncological palliative spine radiation therapy

(1) 背景：姑息性脊柱放射治療容易在錯(cuò)誤的解剖水平進(jìn)行治療。我們開發(fā)了一種基于深度學(xué)習(xí)的全自動(dòng)脊柱靶向質(zhì)量保證系統(tǒng)（DL-SpiQA），用于檢測錯(cuò)誤解剖水平的治療。DL-SpiQA根據(jù)脊柱放射治療和前瞻性臨床部署的回顧性檢查進(jìn)行評估。

(2) 解釋：低假陽性率、低假陰性率和標(biāo)記錯(cuò)誤的高精度表明DL-SpiQA是一種有效的、人工智能驅(qū)動(dòng)的自動(dòng)化質(zhì)量保證工具，可用于識別解剖脊柱變異和解剖學(xué)水平的靶向錯(cuò)誤。因此，該工具可以幫助提高脊柱放療的安全性。需要進(jìn)一步的外部驗(yàn)證和定制。

 4. 利用人工智能預(yù)測兒童膜周室間隔缺損的自發(fā)閉合：一項(xiàng)在中國的多中心回顧性研究

Leveraging artificial intelligence for predicting spontaneous closure of perimembranous ventricular septal defect in children: a multicentre, retrospective study in China

(1) 背景：膜周室間隔缺損（PMVSD）是一種普遍的先天性心臟病，在預(yù)測自發(fā)性閉合方面存在挑戰(zhàn)，這對于治療決策至關(guān)重要。現(xiàn)有模型主要依賴于結(jié)構(gòu)化超聲心動(dòng)圖參數(shù)或受限數(shù)據(jù)。本研究介紹了一種基于人工智能的模型，該模型使用自然語言處理（NLP）和機(jī)器學(xué)習(xí)，旨在提高PMVSD中的自發(fā)閉合可預(yù)測性。

(2) 解釋：這種基于人工智能的模型用于預(yù)測PMVSD患者的自發(fā)閉合，代表著一項(xiàng)重大進(jìn)步，有可能改善患者管理，降低延遲或不適當(dāng)治療的風(fēng)險(xiǎn)，并改善臨床結(jié)果。

 5. 生成式預(yù)訓(xùn)練Transformer 4（GPT-4）分析三種不同語言的醫(yī)療記錄的潛力：一項(xiàng)回顧性模型評估研究

The potential of Generative Pre-trained Transformer 4 (GPT-4) to analyse medical notes in three different languages: a retrospective model-evaluation study

(1) 背景:患者記錄包含大量信息，但由于格式非結(jié)構(gòu)化，計(jì)算機(jī)難以分析。大型語言模型（LLM），例如生成式預(yù)訓(xùn)練Transformer 4（GPT-4），已經(jīng)改變了我們處理文本的能力，但我們不知道它們處理醫(yī)療記錄的效率如何。我們旨在評估GPT-4在閱讀三種不同語言的醫(yī)療記錄后回答預(yù)定義問題的能力。

(2) 解釋:我們的模型評估研究結(jié)果表明，GPT-4在分析三種不同語言的醫(yī)療記錄時(shí)是準(zhǔn)確的。未來，研究應(yīng)探索如何將LLM整合到臨床工作流程中，以最大限度地利用它們在醫(yī)療保健中的使用。