THE LANCET  2025/05/19-2025/05/25

1. 基于心電圖的肝病診斷：一種外部驗證和可解釋的機器學習方法  05.19  eClinicalMedicine

2. 使用集成電子健康記錄對兒童哮喘風險評分作為兒童哮喘的被動數(shù)字標記進行外部驗證和更新  05.20  eClinicalMedicine

Nature  2025/05/19-2025/05/25

1. 通過非接觸式無線電監(jiān)測和知識傳輸檢測心房顫動  05.20  Nature Communications

1.基于心電圖的肝病診斷：一種外部驗證和可解釋的機器學習方法

Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach

（1）背景：肝病作為全球主要的健康挑戰(zhàn)之一，每年導致數(shù)百萬人死亡，但其診斷仍面臨重大障礙。傳統(tǒng)方法如血液檢測、影像學（超聲、MRI、CT）及肝活檢存在侵入性、成本高或敏感性不足的問題，尤其在早期階段。肝活檢雖為金標準，但伴隨出血、感染等風險，限制了其常規(guī)使用。因此，亟需開發(fā)無創(chuàng)、可及且經(jīng)濟高效的診斷工具。心電圖（ECG）因其廣泛普及和無創(chuàng)特性成為潛在解決方案。近年研究表明，ECG不僅能評估心臟健康，還可通過心血管-肝臟交互作用（如肝硬化相關心肌病、門脈高壓）反映系統(tǒng)性異常。機器學習（ML）雖在醫(yī)療領域嶄露頭角，但現(xiàn)有肝病研究多依賴影像或血液標志物，且缺乏可解釋性和外部驗證。本研究旨在填補這一空白，利用樹狀ML模型（如XGBoost）結合ECG特征，開發(fā)可解釋、外部驗證的診斷工具，以提升肝病早期檢測和資源有限場景的應用潛力。

（2）解釋：該研究基于MIMIC-IV-ECG（美國）和ECG-View II（韓國）兩大數(shù)據(jù)集，提取ECG指標（如QTc間期、RR間期）及人口統(tǒng)計學特征，訓練XGBoost模型進行二分類任務。結果顯示，模型在酒精性肝病（K70）和肝衰竭（K72）等ICD-10編碼疾病中表現(xiàn)出穩(wěn)健性能：內(nèi)部驗證AUROC分別為0.8025和0.7404，外部驗證為0.7644和0.7498，敏感性固定為0.7時特異性達67-85%。通過Shapley值可解釋性分析，年齡和QTc間期延長被確認為核心預測因子，反映心室復極化異常與肝病的生理關聯(lián)（如電解質紊亂或自主神經(jīng)失調）。

 2.使用集成電子健康記錄對兒童哮喘風險評分作為兒童哮喘的被動數(shù)字標記進行外部驗證和更新

External validation and update of the pediatric asthma risk score as a passive digital marker for childhood asthma using integrated electronic health records

（1）背景：兒童哮喘的診斷與治療存在顯著的延遲問題，尤其在學齡前兒童中，盡管已有多種預測工具（如兒科哮喘風險評分PARS），但其在臨床電子健康記錄（EHR）中的實用性尚未明確。現(xiàn)有工具多基于問卷調查或研究環(huán)境中的自我報告數(shù)據(jù)，存在樣本選擇性偏倚和可擴展性不足的問題。此外，EHR數(shù)據(jù)的異質性（如結構化與非結構化數(shù)據(jù)混雜、變量定義不一致、缺失值等）進一步限制了現(xiàn)有模型在真實臨床場景中的應用。盡管PARS在多項研究中表現(xiàn)出中等預測效能（AUC 0.67-0.80），但其依賴的變量（如種族、濕疹、喘息史等）在EHR中可能存在記錄差異或遺漏。因此，本研究旨在通過EHR數(shù)據(jù)對PARS進行外部驗證和更新，開發(fā)一種被動數(shù)字標記（PDM），以提升兒童哮喘的早期風險預測能力，減少診斷不確定性。。

（2）解釋：該研究通過整合EHR中的多維度數(shù)據(jù)（包括人口統(tǒng)計學、臨床診斷、過敏史及社會健康決定因素）更新了PARS模型，構建的PDM在69,109名兒童中表現(xiàn)出優(yōu)于原始PARS的預測效能（AUC 0.79 vs. 0.76），且高風險兒童的哮喘發(fā)病率顯著更高（37% vs. 26%）。PDM通過引入性別、肺炎/細支氣管炎病史及學齡前哮喘診斷等變量，增強了模型的區(qū)分度和校準性。決策曲線分析顯示，PDM在3%以上的風險閾值中具有臨床實用性，可促進高風險兒童的早期干預。

1.通過非接觸式無線電監(jiān)測和知識傳輸檢測心房顫動

Atrial fibrillation detection via contactless radio monitoring and knowledge transfer

（1）介紹：本研究旨在解決心房顫動（AF）早期檢測的臨床難題。傳統(tǒng)心電圖（ECG）作為AF診斷的“金標準”，因需接觸式測量和間歇性監(jiān)測的局限性，常導致早期無癥狀或短暫性AF漏診。為此，研究者開發(fā)了一種基于人工智能（AI）的非接觸式無線電監(jiān)測系統(tǒng)，結合毫米波雷達技術與知識轉移方法，以捕捉心臟機械運動并識別AF相關特征。系統(tǒng)通過雷達信號感知胸壁微小運動（0.2-0.5毫米），并利用ECG積累的臨床診斷知識（通過教師-學生神經(jīng)網(wǎng)絡模型）指導AI解析機械運動模式，最終實現(xiàn)無需設備佩戴、可集成于日常環(huán)境（如睡眠或工作場景）的終身主動監(jiān)測。其核心目標是突破傳統(tǒng)檢測的時空限制，提升AF早期發(fā)現(xiàn)的可行性，從而為及時干預提供支持。。

（2）結果：研究證實，基于毫米波雷達與知識轉移的AI系統(tǒng)在AF檢測中表現(xiàn)出與ECG相當?shù)呐R床效能。通過對6258名門診患者的驗證，系統(tǒng)在序列水平（10秒數(shù)據(jù)）的靈敏度為0.815（95% CI, 0.783-0.842），特異性達0.992；在集合水平（30秒數(shù)據(jù)）下，靈敏度提升至0.844，特異性維持0.995。實際應用案例中，系統(tǒng)成功在27名受試者的夜間睡眠監(jiān)測中提前識別出2例AF（早于臨床診斷），并在術后患者中精準捕捉AF與竇性心律的轉換。