1.通過人工智能預(yù)測急診科的躁動事件  05.07  JAMA Network Open

2.譫妄風(fēng)險分層的機器學(xué)習(xí)多模態(tài)模型  05.07  JAMA Network Open

1.預(yù)測非計劃住院癌癥患者的 90 天死亡率：三種預(yù)后評分的回顧性驗證研究  05.08  The Lancet Regional Health - Europe

2.FaceAge，一種通過面部照片估計生物年齡以改善預(yù)測的深度學(xué)習(xí)系統(tǒng)：一項模型開發(fā)和驗證研究  05.08  The Lancet. Digital health

1.Health Octo 工具將個性化健康與衰老速度進行匹配  05.05  Nature Communications

2.中國妊娠期糖尿病的遺傳結(jié)構(gòu)和風(fēng)險預(yù)測  05.05  Nature Communications

3.耳鳴風(fēng)險因素及其隨時間的變化  05.07  Nature Communications

4.基于機器學(xué)習(xí)的薈萃分析揭示了與帕金森病相關(guān)的腸道微生物組改變  05.07  Nature Communications

1.通過人工智能預(yù)測急診科的躁動事件

Predicting Agitation Events in the Emergency Department Through Artificial Intelligence

（1）目的：該研究旨在開發(fā)并驗證一種基于人工智能的預(yù)測模型，以在急診科（ED）環(huán)境中提前識別可能發(fā)生激越事件（如需要化學(xué)鎮(zhèn)靜或暴力約束）的患者。

（2）結(jié)論：通過對美國東北部9家醫(yī)院超過304萬次急診就診數(shù)據(jù)的分析，研究團隊成功開發(fā)了一個包含50個預(yù)測因子的AI模型。該模型在外部驗證中表現(xiàn)出色，受試者工作特征曲線下面積（AUROC）達0.94，精準(zhǔn)召回曲線下面積（PR-AUC）為0.41，表明其具備高區(qū)分能力和臨床實用性。

2.譫妄風(fēng)險分層的機器學(xué)習(xí)多模態(tài)模型

Machine Learning Multimodal Model for Delirium Risk Stratification

（1）目的：該研究旨在開發(fā)并驗證一種結(jié)合電子病歷（EMR）數(shù)據(jù)和自然語言處理（NLP）技術(shù)的多模態(tài)機器學(xué)習(xí)模型，用于在實時臨床實踐中自動化分層住院患者的譫妄風(fēng)險，并評估其對臨床工作流程和結(jié)局的影響。

（2）結(jié)論：該研究成功開發(fā)并驗證了一種多模態(tài)機器學(xué)習(xí)模型，其在實時臨床驗證中表現(xiàn)出優(yōu)異的性能（AUROC為0.94），顯著提高了譫妄檢測率（從部署前的4.42%提升至17.17%），并減少了苯二氮卓類藥物（中位劑量從1.60降至0.93地西泮當(dāng)量）和奧氮平（中位劑量從2.50 mg降至1.09 mg）的日均使用劑量。

1.預(yù)測非計劃住院癌癥患者的 90 天死亡率：三種預(yù)后評分的回顧性驗證研究

Prediction of 90-day mortality among cancer patients with unplanned hospitalisation: a retrospective validation study of three prognostic scores

（1）背景：本研究旨在土耳其人群中驗證PROMISE評分的外部效能，并探索其與CTI、GRIm的組合應(yīng)用，以提升短期死亡率預(yù)測的準(zhǔn)確性，優(yōu)化臨床決策。

（2）解釋：該研究納入1109例非計劃住院的晚期癌癥患者，驗證發(fā)現(xiàn)PROMISE和CTI評分對90天死亡率具有獨立預(yù)測價值，高風(fēng)險組死亡率分別為58.8%和60.0%，且低風(fēng)險組生存率顯著更高（PROMISE低風(fēng)險組死亡率2.5%）。GRIm評分未顯示顯著關(guān)聯(lián)。結(jié)合PROMISE與CTI的復(fù)合評分（PROMISE-CTI）AUC達0.884，敏感性和特異性分別為92.4%和81.1%，較單一評分更優(yōu)，尤其在識別低風(fēng)險患者（陰性預(yù)測值89.6%）方面表現(xiàn)突出。

2.FaceAge，一種通過面部照片估計生物年齡以改善預(yù)測的深度學(xué)習(xí)系統(tǒng)：一項模型開發(fā)和驗證研究

FaceAge, a deep learning system to estimate biological age from face photographs to improve prognostication: a model development and validation study

（1）背景：本研究旨在開發(fā)并驗證一種深度學(xué)習(xí)系統(tǒng)FaceAge，通過標(biāo)準(zhǔn)化分析面部照片估計生物年齡，以提升癌癥患者的生存預(yù)測精度，并為治療決策提供客觀依據(jù)。

（2）解釋：模型采用級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)進行面部定位和特征提取，結(jié)果顯示其在60歲以上人群中的平均絕對誤差為4.09年。生存分析表明，F(xiàn)aceAge估計值較實際年齡能更顯著地分層患者生存風(fēng)險（如泛癌隊列中每十年風(fēng)險比HR=1.151，p=0.013），且癌癥患者的FaceAge平均比實際年齡高4.79年（p<0.0001）。在姑息治療場景中，結(jié)合FaceAge的預(yù)測模型將醫(yī)生對6個月生存率的AUC從0.74提升至0.80（p<0.0001），顯著優(yōu)化臨床決策。

1.Health Octo 工具將個性化健康與衰老速度進行匹配

Health octo tool matches personalized health with rate of aging

（1）介紹：該文章旨在解決傳統(tǒng)醫(yī)療實踐中對多病共存及衰老多維性評估不足的問題。其核心目標(biāo)是超越傳統(tǒng)衰弱指數(shù)（Frailty Index），提供更精準(zhǔn)的健康評估框架，為個性化醫(yī)療和健康干預(yù)提供科學(xué)依據(jù)。

（2）結(jié)果：研究證實，Health Octo Tool在預(yù)測殘疾、老年綜合征、身體功能下降（如SPPB評分）及死亡率方面表現(xiàn)出色（準(zhǔn)確率≥90%），顯著優(yōu)于傳統(tǒng)衰弱指數(shù)。

 2.中國妊娠期糖尿病的遺傳結(jié)構(gòu)和風(fēng)險預(yù)測

Genetic architecture and risk prediction of gestational diabetes mellitus in Chinese pregnancies

（1）介紹：本研究旨在通過大規(guī)模全基因組關(guān)聯(lián)研究（GWAS）揭示中國孕婦妊娠期糖尿?。℅DM）的遺傳結(jié)構(gòu)，并開發(fā)基于遺傳和臨床數(shù)據(jù)的早期預(yù)測模型。

（2）結(jié)果：該研究發(fā)現(xiàn)了13個GDM新遺傳位點和111個與妊娠期血糖性狀相關(guān)的位點，其中約50%的位點為GDM或妊娠期特有，與東亞人群T2D及非妊娠期血糖性狀存在顯著差異。通過整合PRS與孕早期臨床數(shù)據(jù)（如空腹血糖、BMI、年齡），機器學(xué)習(xí)模型在驗證隊列中實現(xiàn)了AUC 0.729和準(zhǔn)確率0.835的預(yù)測性能，顯著優(yōu)于僅依賴臨床指標(biāo)的模型。

 3.耳鳴風(fēng)險因素及其隨時間的變化

Tinnitus risk factors and its evolution over time

（1）介紹：本研究旨在通過分析大規(guī)模生物醫(yī)學(xué)數(shù)據(jù)，識別主觀耳鳴（無外部聲源的聽覺感知）的存在和嚴(yán)重程度的風(fēng)險因素，并探究這些因素如何隨時間影響耳鳴的發(fā)展。

（2）結(jié)果：研究發(fā)現(xiàn)，嚴(yán)重程度模型能有效預(yù)測個體在9年內(nèi)從輕度耳鳴發(fā)展為重度耳鳴的趨勢（效應(yīng)量Cohen’s d=1.3，ROC-AUC=0.78），而耳鳴存在模型無法預(yù)測其隨時間的變化。研究進一步開發(fā)了僅包含6項問題的簡化問卷（POST），涵蓋聽力、睡眠及心理健康指標(biāo)，經(jīng)驗證在TRI隊列中表現(xiàn)出良好的預(yù)測效能（重度耳鳴進展的ROC-AUC=0.94）。

 4.基于機器學(xué)習(xí)的薈萃分析揭示了與帕金森病相關(guān)的腸道微生物組改變

Machine learning-based meta-analysis reveals gut microbiome alterations associated with Parkinson’s disease

（1）介紹：該研究旨在通過大規(guī)模機器學(xué)習(xí)元分析，系統(tǒng)評估腸道微生物組在帕金森?。≒D）中的診斷潛力，并明確其與PD相關(guān)的分類和功能特征。

（2）結(jié)果：研究發(fā)現(xiàn)，基于單個數(shù)據(jù)集的機器學(xué)習(xí)模型在內(nèi)部驗證中表現(xiàn)出色（平均AUC 71.9%），但跨研究泛化能力有限（平均AUC 61%），表明研究間存在顯著異質(zhì)性。通過整合多數(shù)據(jù)集訓(xùn)練的模型泛化性提升（LOSO AUC 68%），且對阿爾茨海默病和多發(fā)性硬化癥的誤診率較低（FPR 18.7%）。