1. 美國(guó)陸軍基礎(chǔ)戰(zhàn)斗學(xué)員肌肉骨骼損傷危險(xiǎn)因素模型  6.2  JAMA Network Open 

2. 專用AI專家系統(tǒng)與具有大型語(yǔ)言模型的生成式AI在臨床診斷中的應(yīng)用  5.29  JAMA Network Open 

3. 用于預(yù)測(cè)住院兒童危急事件的機(jī)器學(xué)習(xí)  5.30   JAMA Network Open 

1. 使用基于transformer的風(fēng)險(xiǎn)模型對(duì)預(yù)防性心血管疾病治療的個(gè)體進(jìn)行精細(xì)選擇   6.2  The Lancet Digital Health

2. 預(yù)測(cè)獻(xiàn)血后鐵恢復(fù)的機(jī)器學(xué)習(xí)模型：模型開發(fā)和外部驗(yàn)證研究  6月  The Lancet Haematology

3. 預(yù)測(cè)急診科兒科肺炎的嚴(yán)重程度：兒科急診研究網(wǎng)絡(luò)的多國(guó)前瞻性隊(duì)列研究  6月  The Lancet Child & Adolescent Health

4. 深度學(xué)習(xí)預(yù)測(cè)導(dǎo)管原位癌浸潤(rùn)性復(fù)發(fā)：利用組織病理學(xué)圖像和臨床特征  5.28  eBioMedicine

5. 使用臨床多對(duì)比腦部MRI自動(dòng)識(shí)別帕金森?。阂环N大型自我監(jiān)督視覺(jué)基礎(chǔ)模型策略  5.26  eBioMedicine

1. 用于膿毒癥床旁預(yù)測(cè)的機(jī)器學(xué)習(xí)和離心微流控平臺(tái)  5.27  Nature Communications

1. 美國(guó)陸軍基礎(chǔ)戰(zhàn)斗學(xué)員肌肉骨骼損傷危險(xiǎn)因素模型

Model for Musculoskeletal Injury Risk Factors Among US Army Basic Combat Trainees

(1) 目的：為軍事領(lǐng)導(dǎo)人、文職和軍事臨床醫(yī)生以及體能訓(xùn)練教官提供肌肉骨骼損傷（MSKI）風(fēng)險(xiǎn)模型，用于識(shí)別開始美國(guó)陸軍基礎(chǔ)戰(zhàn)斗訓(xùn)練（BCT）或體能訓(xùn)練計(jì)劃的個(gè)人中的低、中和高風(fēng)險(xiǎn)特征。

(2) 結(jié)論：該隊(duì)列研究提出了一種分層方法，用于在體能訓(xùn)練計(jì)劃開始之前識(shí)別MSKI風(fēng)險(xiǎn)增加的人。應(yīng)用分層量化風(fēng)險(xiǎn)指標(biāo)并結(jié)合來(lái)自這些發(fā)現(xiàn)的多因素干預(yù)措施可能在降低MSKI風(fēng)險(xiǎn)方面發(fā)揮作用。

 2. 專用AI專家系統(tǒng)與具有大型語(yǔ)言模型的生成式AI在臨床診斷中的應(yīng)用

Dedicated AI Expert System vs Generative AI With Large Language Model for Clinical Diagnoses

(1) 目的：比較2種廣泛使用的大型語(yǔ)言模型（LLM）在36例未發(fā)表的普通醫(yī)學(xué)病例上的性能。

(2) 結(jié)論：在這項(xiàng)診斷研究中，比較了傳統(tǒng)DDSS（DXplain [以下簡(jiǎn)稱 DDSS]）和當(dāng)前LLM在未發(fā)表的臨床病例上的性能，在大多數(shù)情況下，如果包括實(shí)驗(yàn)室測(cè)試結(jié)果，每個(gè)系統(tǒng)都會(huì)將病例診斷列在其前25個(gè)診斷中。將LLM的解析和說(shuō)明性語(yǔ)言能力與傳統(tǒng)DDSS的確定性和解釋性能力相結(jié)合的混合方法可能會(huì)產(chǎn)生協(xié)同效益。

 3. 用于預(yù)測(cè)住院兒童危急事件的機(jī)器學(xué)習(xí)

Machine Learning for Predicting Critical Events Among Hospitalized Children

(1) 目的：開發(fā)一個(gè)機(jī)器學(xué)習(xí)模型，用于早期檢測(cè)所有病房的惡化，從而在患者的整個(gè)住院期間實(shí)現(xiàn)統(tǒng)一的風(fēng)險(xiǎn)評(píng)估。

(2) 結(jié)論：這項(xiàng)回顧性隊(duì)列研究描述了一種新的全院模型的開發(fā)，用于在兒童的整個(gè)住院期間持續(xù)預(yù)測(cè)危重事件的風(fēng)險(xiǎn)。該模型為兒科醫(yī)院的風(fēng)險(xiǎn)評(píng)估建立了一個(gè)統(tǒng)一的框架。

1. 使用基于transformer的風(fēng)險(xiǎn)模型對(duì)預(yù)防性心血管疾病治療的個(gè)體進(jìn)行精細(xì)選擇

Refined selection of individuals for preventive cardiovascular disease treatment with a transformer-based risk model

(1) 背景：盡管統(tǒng)計(jì)模型通常用于識(shí)別有心血管疾病風(fēng)險(xiǎn)的患者進(jìn)行預(yù)防性治療，但這些模型往往過(guò)度推薦治療。此外，在已有疾病的人群中，目前的方法是不分青紅皂白地治療所有人，因?yàn)樵谶@種情況下進(jìn)行建模目前是不充分的。本研究旨在開發(fā)和驗(yàn)證基于Transformer的風(fēng)險(xiǎn)評(píng)估生存（TRisk）模型，這是一種新穎的深度學(xué)習(xí)模型，用于預(yù)測(cè)一級(jí)預(yù)防人群和糖尿病患者的10年心血管疾病風(fēng)險(xiǎn)。

(2) 解釋：與基準(zhǔn)方法相比，TRisk能夠在一級(jí)預(yù)防人群和糖尿病隊(duì)列中更有針對(duì)性地選擇有心血管疾病風(fēng)險(xiǎn)的個(gè)體。將TRisk納入常規(guī)護(hù)理可能會(huì)使符合治療條件的患者數(shù)量減少約三分之一，同時(shí)至少防止與目前采用的方法一樣多的事件。

 2. 預(yù)測(cè)獻(xiàn)血后鐵恢復(fù)的機(jī)器學(xué)習(xí)模型：模型開發(fā)和外部驗(yàn)證研究

Machine-learning models to predict iron recovery after blood donation: a model development and external validation study

(1) 背景：直接預(yù)測(cè)獻(xiàn)血后鐵生物標(biāo)志物的機(jī)器學(xué)習(xí)模型可能有助于管理與獻(xiàn)血相關(guān)的鐵缺乏癥并避免低血紅蛋白延遲。此類模型尚未在國(guó)際上得到外部驗(yàn)證。我們的目標(biāo)是開發(fā)和外部驗(yàn)證機(jī)器學(xué)習(xí)模型，以預(yù)測(cè)回歸獻(xiàn)血者的血紅蛋白和鐵蛋白。

(2) 解釋：預(yù)測(cè)回報(bào)捐獻(xiàn)時(shí)血紅蛋白和鐵蛋白的機(jī)器學(xué)習(xí)模型在不同環(huán)境中普遍性良好，并且可以實(shí)現(xiàn)個(gè)體化方法來(lái)管理鐵缺乏癥，同時(shí)保持足夠的血液供應(yīng)。

 3. 預(yù)測(cè)急診科兒科肺炎的嚴(yán)重程度：兒科急診研究網(wǎng)絡(luò)的多國(guó)前瞻性隊(duì)列研究

Risk stratified treatment for childhood acute lymphoblastic leukaemia: a multicentre observational study from India

(1) 目的：在資源豐富的地區(qū)，用于兒科社區(qū)獲得性肺炎（CAP）的風(fēng)險(xiǎn)分層工具很少。我們前瞻性地開發(fā)了模型來(lái)預(yù)測(cè)兒科急診科（EDs）跨國(guó)隊(duì)列中的CAP嚴(yán)重程度。主要目標(biāo)是開發(fā)一個(gè)風(fēng)險(xiǎn)預(yù)測(cè)模型來(lái)區(qū)分輕度CAP和中度或重度CAP，以幫助臨床醫(yī)生確定住院需求。

(2) 解釋：在CAP兒童中開發(fā)了準(zhǔn)確、實(shí)用的嚴(yán)重性風(fēng)險(xiǎn)預(yù)測(cè)模型。在未來(lái)的外部驗(yàn)證之后，這些模型有可能提供個(gè)體化的風(fēng)險(xiǎn)評(píng)估，這些評(píng)估可以納入資源充足的衛(wèi)生系統(tǒng)的臨床判斷中，以改善管理。

 4. 深度學(xué)習(xí)預(yù)測(cè)導(dǎo)管原位癌浸潤(rùn)性復(fù)發(fā)：利用組織病理學(xué)圖像和臨床特征

Deep learning for predicting invasive recurrence of ductal carcinoma in situ: leveraging histopathology images and clinical features

(1) 背景：導(dǎo)管原位癌（DCIS）可進(jìn)展為同側(cè)浸潤(rùn)性乳腺癌（IBC），但如果不治療，超過(guò)75%的DCIS病變不會(huì)進(jìn)展。目前，無(wú)法可靠地識(shí)別可能進(jìn)展為IBC的DCIS。因此，大多數(shù)DCIS患者接受類似于IBC的治療。為了便于識(shí)別低風(fēng)險(xiǎn)DCIS，我們使用組織學(xué)全玻片圖像（WSI）和臨床病理數(shù)據(jù)開發(fā)了深度學(xué)習(xí)模型。

(2) 解釋：使用常規(guī)處理的WSI的深度學(xué)習(xí)模型有望實(shí)現(xiàn)DCIS風(fēng)險(xiǎn)分層，而整合臨床數(shù)據(jù)的好處值得進(jìn)一步研究。獲得更大、高質(zhì)量的外部多中心數(shù)據(jù)集將非常有價(jià)值，因?yàn)檫@些模型的成功推廣可以證明它們通過(guò)對(duì)低風(fēng)險(xiǎn)女性進(jìn)行主動(dòng)監(jiān)測(cè)來(lái)減少DCIS過(guò)度治療的潛力。

 5. 使用臨床多對(duì)比腦部MRI自動(dòng)識(shí)別帕金森病：一種大型自我監(jiān)督視覺(jué)基礎(chǔ)模型策略

Automatic identification of Parkinsonism using clinical multi-contrast brain MRI: a large self-supervised vision foundation model strategy

(1) 背景：迫切需要帕金森?。≒D）和帕金森加綜合征（PPS）的有效無(wú)創(chuàng)生物標(biāo)志物。基于我們最近的自我監(jiān)督視覺(jué)基礎(chǔ)模型Shift Window UNET TRansformer（Swin UNETR），它使用臨床多重對(duì)比全腦MRI，我們的目標(biāo)是開發(fā)一個(gè)高效實(shí)用的模型（'SwinClassifier'），用于使用常規(guī)臨床MRI掃描來(lái)區(qū)分PD與PPS。

(2) 解釋：我們基于常規(guī)臨床頭部 MRI的自我監(jiān)督數(shù)字模型區(qū)分了PD與PPS，具有良好的準(zhǔn)確性和敏感性。隨著逐步改善，該方法可能在疾病早期的診斷上有用。

1. 用于膿毒癥床旁預(yù)測(cè)的機(jī)器學(xué)習(xí)和離心微流控平臺(tái)

A machine learning and centrifugal microfluidics platform for bedside prediction of sepsis

(1) 摘要：膿毒癥是一種危及生命的器官功能障礙，是由于對(duì)感染的反應(yīng)功能障礙所致。診斷延遲對(duì)生存有重大影響。在此，來(lái)自586名疑似膿毒癥的內(nèi)部患者的血液樣本與機(jī)器學(xué)習(xí)和交叉驗(yàn)證相結(jié)合，以定義免疫細(xì)胞重編程的六基因表達(dá)特征，稱為Sepset，以預(yù)測(cè)臨床表現(xiàn)前24小時(shí)（h）內(nèi)的臨床惡化。預(yù)測(cè)準(zhǔn)確性（早期重癥監(jiān)護(hù)病房（ICU）為~90%，急診室患者為70%）在來(lái)自現(xiàn)有獨(dú)立隊(duì)列的3178名患者中得到驗(yàn)證。基于RT-PCR的Sepset檢測(cè)試驗(yàn)顯示，248例患者預(yù)測(cè)前24小時(shí)內(nèi)序貫器官衰竭評(píng)估評(píng)分惡化的敏感性為94%。測(cè)試了一種自動(dòng)檢測(cè)全血Sepset分類器的獨(dú)立離心微流體儀器，結(jié)果顯示，在識(shí)別疑似膿毒癥患者臨床惡化風(fēng)險(xiǎn)方面的敏感性為92%，特異性為89%。