1. 利用機器學習研究住院在巴西登革熱傳播動態(tài)中的作用：一項關(guān)于衛(wèi)生系統(tǒng)復原力的生態(tài)學研究  02.24  The Lancet Regional Health - Americas

2.  人工智能預測冠狀動脈搭橋術(shù)后新發(fā)房顫的性能  02.24  eClinicalMedicine

3. 使用常規(guī)臨床特征來優(yōu)化 2 型糖尿病處方的五類藥物模型：預測模型開發(fā)和驗證研究  02.25  The Lancet

4. 基于深度學習的非肌層浸潤性膀胱癌全切片圖像早期復發(fā)及治療反應預測模型：一項回顧性、多中心研究  02.25  eClinicalMedicine

5. 脈沖振蕩法預測中國人群 COPD 篩查中 FEV 1 /FVC 比值異常的公式：一項多中心橫斷面研究  02.26  The Lancet Regional Health - Western Pacific

6. 利用時間序列深度學習定期收集的臨床數(shù)據(jù)來改善細菌血流感染的識別：一項回顧性隊列研究  03.01  The Lancet. Digital health

1. 支持多任務、多中心醫(yī)學圖像分析的通用輕量級視覺基礎(chǔ)模型框架  03.01  Nature Communications

2. 應用于臨床研究的預訓練轉(zhuǎn)換器可提高對治療效果和相關(guān)生物標志物的預測  03.01  Nature Communications

THE LANCET

1. 利用機器學習研究住院在巴西登革熱傳播動態(tài)中的作用：一項關(guān)于衛(wèi)生系統(tǒng)復原力的生態(tài)學研究

Leveraging machine learning on the role of hospitalizations in the dynamics of dengue spread in Brazil: an ecological study of health systems resilience

（1） 背景：研究旨在通過機器學習分析2010-2024年巴西各首府城市的基本公共衛(wèi)生職能（如醫(yī)療資源、門診服務、疫苗接種）與登革熱結(jié)果（住院、死亡）的關(guān)聯(lián)，以揭示衛(wèi)生系統(tǒng)韌性動態(tài)，為政策制定提供依據(jù)。

（2） 解釋：研究通過回歸樹模型發(fā)現(xiàn)，住院治療是影響登革熱死亡率的核心變量：住院數(shù)低于360的城市死亡率較高（占61%），而住院數(shù)大于954的地區(qū)中，門診咨詢量超過240萬次的首府死亡率僅5%，表明門診服務在重癥預防中起關(guān)鍵作用。

 2. 人工智能預測冠狀動脈搭橋術(shù)后新發(fā)房顫的性能

Performance of an AI prediction tool for new-onset atrial fibrillation after coronary artery bypass grafting

（1） 背景：冠狀動脈搭橋術(shù)（CABG）是治療嚴重冠心病的重要手段，但術(shù)后新發(fā)房顫（NOAF）發(fā)生率高達20%-40%，與住院時間延長、中風風險增加及長期死亡率上升密切相關(guān)。本研究旨在利用AI技術(shù)整合多因素數(shù)據(jù)，開發(fā)更精準的術(shù)前預測工具，以優(yōu)化個體化干預策略。

（2） 解釋：研究回顧性納入中國兩家三級醫(yī)院2994例CABG患者數(shù)據(jù)，通過集成學習構(gòu)建堆疊模型（結(jié)合11種基學習器），并嚴格進行內(nèi)外驗證。模型在外部驗證中表現(xiàn)出色（AUC 0.931，F(xiàn)1分數(shù)0.797），顯著優(yōu)于傳統(tǒng)工具（如POAF評分AUC 0.667）。

 3. 使用常規(guī)臨床特征來優(yōu)化2型糖尿病處方的五類藥物模型：預測模型開發(fā)和驗證研究

A five-drug class model using routinely available clinical features to optimise prescribing in type 2 diabetes: a prediction model development and validation study

（1） 背景：本研究旨在開發(fā)首個基于常規(guī)臨床數(shù)據(jù)（如年齡、糖尿病病程、基線糖化血紅蛋白[HbA1c]、腎功能等九項指標）的五類藥物預測模型，以優(yōu)化個體化治療選擇，延長血糖穩(wěn)定期并降低長期并發(fā)癥風險。

（2） 解釋：模型顯示，與未按推薦治療的患者相比，模型推薦組12個月HbA1c平均降低5.3 mmol/mol，且在校正的臨床試驗數(shù)據(jù)（如TriMaster交叉試驗）中預測準確性一致。GLP-1受體激動劑對女性患者更優(yōu)，而SGLT2抑制劑在高HbA1c和腎功能正常者中效果突出。盡管當前僅17.8%的治療符合模型推薦，但全人群模擬顯示全面應用可降低平均HbA1c達4.3 mmol/mol。

 4. 基于深度學習的非肌層浸潤性膀胱癌全切片圖像早期復發(fā)及治療反應預測模型：一項回顧性、多中心研究

Deep learning-based model for prediction of early recurrence and therapy response on whole slide images in non-muscle-invasive bladder cancer: a retrospective, multicentre study

（1） 背景：本研究旨在開發(fā)一種結(jié)合H&E和IHC染色全切片圖像（WSI）的深度學習模型（ERPM），以更精準預測非肌層浸潤性膀胱癌的早期復發(fā)及治療反應（TRPM），為個體化治療和隨訪提供依據(jù)。

（2） 解釋：結(jié)果顯示，ERPM在內(nèi)部驗證隊列中AUC達0.837，顯著優(yōu)于臨床模型（AUC 0.645）和僅H&E模型（AUC 0.737），且在外部驗證中保持穩(wěn)?。ˋUC 0.761-0.802）。生存分析表明，ERPM高風險組無復發(fā)生存期顯著縮短（HR=4.50）。TRPM通過5折交叉驗證預測BCG無應答的準確率達84.1%，并能識別進展高風險患者。

 5. 脈沖振蕩法預測中國人群COPD篩查中FEV 1/FVC比值異常的公式：一項多中心橫斷面研究

Impulse oscillometry-derived equation for prediction of abnormal FEV1/FVC ratio for COPD screening in Chinese population: a multicenter cross-sectional study

（1） 背景：本研究旨在開發(fā)基于人口統(tǒng)計學和IOS參數(shù)的方程，預測FEV1/FVC比值，以簡化COPD篩查流程，彌補現(xiàn)有問卷篩查敏感性不足及肺功能檢測的局限性，為基層醫(yī)療提供高效工具。

（2） 解釋：結(jié)果顯示，預測FEV1/FVC的誤差較低（MAE=0.061，RMSE=0.083），內(nèi)部驗證識別氣流受限（AO）和COPD的AUC分別為0.822和0.849，外部驗證為0.790和0.828?；陬A測值，研究提出三分類算法：預測值<0.7為“可能COPD”，0.7-0.73為“可疑”，>0.73為“非COPD”。該算法敏感性88.0%、特異性77.0%，陰性預測值（NPV）高達93.7%-98.6%，能有效排除非COPD患者，減少不必要的肺功能檢測。

6. 利用時間序列深度學習定期收集的臨床數(shù)據(jù)來改善細菌血流感染的識別：一項回顧性隊列研究

Utilising routinely collected clinical data through time series deep learning to improve identification of bacterial bloodstream infections: a retrospective cohort study.

（1） 背景：現(xiàn)有臨床評分系統(tǒng)和機器學習模型多依賴單時間點靜態(tài)數(shù)據(jù)，未能有效捕捉感染動態(tài)變化，尤其在醫(yī)院獲得性BSI中診斷延遲更為顯著。本研究旨在通過深度學習模型分析患者住院期間連續(xù)14天的生物標志物（如C反應蛋白、血小板計數(shù)）和時間序列數(shù)據(jù)，以提升BSI的早期預測能力，優(yōu)化診斷流程和抗生素管理。

（2） 解釋：模型通過五折交叉驗證和獨立測試集評估，結(jié)果顯示LSTM在測試集的AUROC達0.97，顯著優(yōu)于傳統(tǒng)邏輯回歸模型（AUROC 0.74）。動態(tài)特征中，C反應蛋白升高、嗜酸性粒細胞減少和血小板下降是預測BSI的關(guān)鍵指標。反事實分析（打亂時間序列順序）表明，時間信息對模型性能至關(guān)重要，尤其對醫(yī)院獲得性BSI（占62.2%）。

Nature

1. 支持多任務、多中心醫(yī)學圖像分析的通用輕量級視覺基礎(chǔ)模型框架

General lightweight framework for vision foundation model supporting multi-task and multi-center medical image analysis

（1） 介紹：該文章提出了一種名為VFMGL（Vision Foundation Model General Lightweight）的輕量級框架，旨在解決醫(yī)學圖像分析中因數(shù)據(jù)異質(zhì)性、隱私限制和計算資源需求高而阻礙視覺基礎(chǔ)模型（VFM）應用的問題。

（2） 結(jié)果：文章通過四個醫(yī)學任務驗證了VFMGL的性能：1）子宮內(nèi)膜癌MRI肌層浸潤識別，VFMGL在四個中心的平均AUC提升8.9%-11.4%，外部驗證AUC達0.742；2）乳腺癌淋巴結(jié)轉(zhuǎn)移病理切片分類，在Camelyon17數(shù)據(jù)集上平均準確率超97%，AUC達0.999；3）前列腺MRI分割，平均Dice系數(shù)達0.93，敏感性和特異性分別達0.91和0.99；4）多器官細胞核分割，Dice系數(shù)0.75-0.79，優(yōu)于對比方法。

 2. 應用于臨床研究的預訓練轉(zhuǎn)換器可提高對治療效果和相關(guān)生物標志物的預測

Pretrained transformers applied to clinical studies improve predictions of treatment efficacy and associated biomarkers

（1） 介紹：該研究針對癌癥治療中患者反應預測的挑戰(zhàn)，提出了一種名為“Clinical Transformer”的可解釋深度學習框架。該框架旨在解決臨床數(shù)據(jù)的高噪聲、高維度及缺失值問題，并通過預訓練大規(guī)模公共數(shù)據(jù)集（如TCGA、GENIE）提升小樣本任務的預測性能，為精準醫(yī)療提供支持。

（2） 結(jié)果：研究在12個獨立數(shù)據(jù)集（涵蓋14萬患者）中驗證了Clinical Transformer的優(yōu)越性。結(jié)果顯示，其在生存預測的C-index值上顯著優(yōu)于CoxPH、隨機生存森林等方法，如在Chowell數(shù)據(jù)集上C-index達0.73，優(yōu)于隨機森林的0.68。遷移學習策略通過GENIE等大數(shù)據(jù)預訓練后微調(diào)，使模型在小型臨床試驗數(shù)據(jù)中的預測性能提升（平均C-index從0.583升至0.617），并縮短40%訓練時間?？山忉屝苑治鲎R別出白蛋白、中性粒細胞/淋巴細胞比值（NLR）和腫瘤突變負荷（TMB）為關(guān)鍵預后特征，并通過功能聚類發(fā)現(xiàn)TMB與MSI、HLA-LOH的協(xié)同作用。生成模型通過擾動實驗模擬治療反應，成功識別出免疫治療潛在獲益亞群（如高TMB且低NLR患者），并在三個獨立隊列中驗證。