1. 機(jī)器人輔助膽囊切除術(shù)與腹腔鏡膽囊切除術(shù)后患者情況的復(fù)雜性和膽管損傷

Patient Complexity and Bile Duct Injury After Robotic-Assisted vs Laparoscopic Cholecystectomy

（1） 目的：該研究旨在評(píng)估機(jī)器人輔助膽囊切除術(shù)與腹腔鏡膽囊切除術(shù)在不同風(fēng)險(xiǎn)患者中的安全性差異，重點(diǎn)探討膽管損傷率是否因患者復(fù)雜性或風(fēng)險(xiǎn)因素而異。

（2） 結(jié)論：研究發(fā)現(xiàn)，機(jī)器人輔助膽囊切除術(shù)在所有風(fēng)險(xiǎn)組（低、中、高）中的膽管損傷率均顯著高于腹腔鏡手術(shù)，相對(duì)風(fēng)險(xiǎn)約為3倍。值得注意的是，低風(fēng)險(xiǎn)患者接受機(jī)器人手術(shù)的膽管損傷率（0.47%）甚至高于高風(fēng)險(xiǎn)患者接受腹腔鏡手術(shù)的損傷率（0.33%）。盡管兩種手術(shù)在總體并發(fā)癥（如再入院、一般并發(fā)癥）上相似，但機(jī)器人組的再手術(shù)率更高（相對(duì)風(fēng)險(xiǎn)1.47）。

1. 疾病概率評(píng)分在嗜鉻細(xì)胞瘤和副神經(jīng)節(jié)瘤篩查過(guò)程中指導(dǎo)決策的效用：一項(xiàng)機(jī)器學(xué)習(xí)模型橫斷面研究

Utility of disease probability scores to guide decision-making during screening for phaeochromocytoma and paraganglioma: a machine learning modelling cross sectional study

（1） 背景：該研究旨在解決臨床實(shí)踐中篩查嗜鉻細(xì)胞瘤和副神經(jīng)節(jié)瘤（PPGL）時(shí)面臨的挑戰(zhàn)。傳統(tǒng)統(tǒng)計(jì)方法難以有效整合多維度數(shù)據(jù)，因此研究引入機(jī)器學(xué)習(xí)（ML）模型，旨在生成疾病概率評(píng)分，以輔助醫(yī)生更精準(zhǔn)地評(píng)估疾病可能性并優(yōu)化后續(xù)診療步驟。

（2） 解釋?zhuān)涸撗芯客ㄟ^(guò)訓(xùn)練和驗(yàn)證多種機(jī)器學(xué)習(xí)模型（包括支持向量機(jī)、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)等），提出了一種新的概率評(píng)分框架以?xún)?yōu)化PPGL的診斷決策。研究利用來(lái)自六個(gè)醫(yī)療中心的2046例患者數(shù)據(jù)（PMT研究）進(jìn)行模型開(kāi)發(fā)，并通過(guò)外部驗(yàn)證隊(duì)列（1641例患者，含PRESCRIPT試驗(yàn)和NIH研究數(shù)據(jù)）評(píng)估模型性能。結(jié)果顯示，所有模型在外部驗(yàn)證中均表現(xiàn)出色（ROC曲線(xiàn)下面積0.988-0.995），但不同模型的概率評(píng)分存在顯著差異且相關(guān)性低。通過(guò)結(jié)合人類(lèi)專(zhuān)家判斷（十名臨床專(zhuān)家對(duì)六類(lèi)疾病可能性的獨(dú)立評(píng)估）和實(shí)驗(yàn)室間重復(fù)測(cè)量數(shù)據(jù)的魯棒性分析，研究篩選出人工神經(jīng)網(wǎng)絡(luò)（ANN）作為最優(yōu)模型：其評(píng)分在疾病存在與不存在患者間的區(qū)分能力顯著優(yōu)于專(zhuān)家判斷（如“高度可能”類(lèi)別中患者評(píng)分中位數(shù)比無(wú)病者高175倍）。

1. 人工智能檢測(cè)射血分?jǐn)?shù)保留的心力衰竭的外部驗(yàn)證

External validation of artificial intelligence for detection of heart failure with preserved ejection fraction

（1） 介紹：本文聚焦于射血分?jǐn)?shù)保留型心力衰竭（HFpEF）的診斷挑戰(zhàn)。研究旨在外部驗(yàn)證該AI模型在獨(dú)立復(fù)雜隊(duì)列中的表現(xiàn)，并與現(xiàn)有評(píng)分對(duì)比，評(píng)估其診斷性能（鑒別、校準(zhǔn)、分類(lèi)及臨床效用）及預(yù)后預(yù)測(cè)價(jià)值，以探索AI整合至現(xiàn)有診斷路徑的潛力。

（2） 結(jié)果：在240例HFpEF患者和256例匹配對(duì)照中，AI模型與H2FPEF評(píng)分的鑒別能力相似（AUROC：0.798 vs. 0.788），但AI顯著減少了中間分類(lèi)（15.1% vs. H2FPEF的61.7%和HFA-PEFF的54.2%），提升了分類(lèi)敏感性和特異性。AI模型連續(xù)輸出提供額外診斷信息（NRI=0.40），與H2FPEF結(jié)合可優(yōu)化臨床決策，減少9%不必要治療且正確管理病例增加33%。預(yù)后方面，AI陽(yáng)性預(yù)測(cè)結(jié)果與復(fù)合終點(diǎn)（死亡或心衰住院）風(fēng)險(xiǎn)翻倍相關(guān)（HR=2.56），且風(fēng)險(xiǎn)隨AI概率分位數(shù)升高遞增。

2. 人工智能指導(dǎo)新生兒重癥監(jiān)護(hù)病房精準(zhǔn)腸外營(yíng)養(yǎng)

AI-guided precision parenteral nutrition for neonatal intensive care units

（1） 介紹：研究基于斯坦福大學(xué)10年的臨床數(shù)據(jù)（79,790份處方，5,913例患者），結(jié)合機(jī)器學(xué)習(xí)模型和標(biāo)準(zhǔn)化配方聚類(lèi)，旨在減少人工錯(cuò)誤、降低成本，并適應(yīng)資源有限的環(huán)境（如低收入國(guó)家）。研究還強(qiáng)調(diào)了當(dāng)前AI在新生兒學(xué)中的低應(yīng)用率，以及TPN2.0在提升精準(zhǔn)醫(yī)療和安全性方面的潛力。

（2） 結(jié)果：研究結(jié)果顯示，TPN2.0通過(guò)變分神經(jīng)網(wǎng)絡(luò)（VNN）和半監(jiān)督聚類(lèi)分析，從數(shù)據(jù)中提煉出15種標(biāo)準(zhǔn)化TPN配方。在內(nèi)部驗(yàn)證（斯坦福數(shù)據(jù)）和外部驗(yàn)證（UCSF的63,273份處方，3,417例患者）中，TPN2.0的推薦與專(zhuān)家處方高度相關(guān)（Pearson’s R分別為0.94和0.91）。盲法評(píng)估（192例對(duì)比）中，醫(yī)生對(duì)TPN2.0的評(píng)分顯著高于現(xiàn)有臨床實(shí)踐和隨機(jī)配方。偏離TPN2.0建議的處方與并發(fā)癥風(fēng)險(xiǎn)顯著相關(guān)，如壞死性小腸結(jié)腸炎（OR=3.33）和死亡率（OR=5.15）。