1.評估活體腎切除術(shù)后早期供體腎功能恢復作為腎移植后移植失敗的預測指標：一項縱向隊列和機器學習研究  06.03  eClinicalMedicine

2.對開始長期雄激素剝奪治療的晚期前列腺癌患者進行基于數(shù)字病理學的多模態(tài)人工智能衍生預后模型的外部驗證：STAMPEDE 平臺方案的四項 3 期隨機對照試驗的事后輔助生物標志物研究  06.03  The Lancet. Digital health

3.可穿戴設(shè)備衍生的風險評分，用于非侵入性檢測 α-突觸核蛋白聚集或多巴胺能缺陷  06.05  eBioMedicine

4.基于AI的盆底表面肌電圖參考范圍及高精度盆底功能障礙診斷  06.05  eBioMedicine

1.評估活體腎切除術(shù)后早期供體腎功能恢復作為腎移植后移植失敗的預測指標：一項縱向隊列和機器學習研究

Evaluation of early donor renal function recovery after living-donor nephrectomy as a predictor of allograft failure after kidney transplantation: a longitudinal cohort and machine learning study

（1） 背景：本文旨在評估活體腎移植供者術(shù)后早期腎功能恢復指標（dCRC，即供者肌酐相對變化率）與受體移植腎長期存活的關(guān)系，并驗證其能否提升現(xiàn)有預測模型（iBOX評分）對移植失敗風險的預測效能。

（2） 解釋：研究發(fā)現(xiàn)，供者術(shù)后早期腎功能恢復指標dCRC與死亡審查同種異體移植失敗（DCGF）風險呈J型非線性關(guān)聯(lián)：dCRC每增加10%，DCGF風險顯著升高36.7%（HR=1.367, 95% CI: 1.262–1.479）。即使供者術(shù)前或術(shù)后eGFR ≥90 mL/min/1.73 m2，dCRC >30%仍獨立預測更高DCGF風險（P=0.025）。在模型優(yōu)化方面，dCRC聯(lián)合iBOX核心指標（1年肌酐、蛋白尿、DSA）顯著提升10年DCGF預測效能：Cox模型AUC從0.765升至0.868（P=0.0017），XGBoost從0.727升至0.840（P=0.0029），隨機森林從0.701升至0.857（P<0.0001）。

 2.對開始長期雄激素剝奪治療的晚期前列腺癌患者進行基于數(shù)字病理學的多模態(tài)人工智能衍生預后模型的外部驗證：STAMPEDE 平臺方案的四項 3 期隨機對照試驗的事后輔助生物標志物研究

External validation of a digital pathology-based multimodal artificial intelligence-derived prognostic model in patients with advanced prostate cancer starting long-term androgen deprivation therapy: a post-hoc ancillary biomarker study of four phase 3 randomised controlled trials of the STAMPEDE pl

（1）背景：該研究旨在外部驗證一種基于數(shù)字病理學的多模態(tài)人工智能（MMAI）預后模型（ArteraAI Prostate）在晚期前列腺癌患者中的有效性。

（2）解釋：本研究證實，ArteraAI開發(fā)的MMAI模型在晚期前列腺癌患者中具有顯著的預后價值。模型連續(xù)評分每增加一個標準差，前列腺癌特異性死亡率（PCSM）風險顯著增加40%（HR 1.40, 95% CI 1.30–1.51, p<0.0001），且這一關(guān)聯(lián)在所有治療組（單獨ADT、ADT+多西他賽、ADT+阿比特龍）和疾病狀態(tài)（非轉(zhuǎn)移/轉(zhuǎn)移）中均一致。通過四分位分層，最高評分組（Q4）患者的5年P(guān)CSM風險顯著高于其他組（非轉(zhuǎn)移組：Q4 vs Q1–3的HR 2.12, p<0.0001；轉(zhuǎn)移組：HR 1.62, p<0.0001）。更重要的是，模型進一步細化了現(xiàn)有臨床分層：例如，在低轉(zhuǎn)移負荷患者中，Q4組的5年P(guān)CSM風險（43%）顯著高于Q1–3組（27%）；在高轉(zhuǎn)移負荷患者中，Q4組風險（68%）亦顯著高于Q1–3組（48%）。

 3.可穿戴設(shè)備衍生的風險評分，用于非侵入性檢測 α-突觸核蛋白聚集或多巴胺能缺陷

Wearables-derived risk score for unintrusive detection of α-synuclein aggregation or dopaminergic deficit

（1）背景：該研究旨在評估基于可穿戴設(shè)備（智能手表）衍生的數(shù)字風險評分在無創(chuàng)檢測帕金森?。≒D）早期病理變化（α-突觸核蛋白聚集或多巴胺能缺陷）中的價值。

（2）解釋：研究發(fā)現(xiàn)，基于智能手表數(shù)據(jù)的數(shù)字風險評分顯著優(yōu)于傳統(tǒng)前驅(qū)期PD評估標準（如運動障礙學會MDS研究標準）。該評分在未確診的高風險人群中與生物標志物密切相關(guān)：與DaTscan的殼核結(jié)合比率呈顯著負相關(guān)（r=-0.32），且其識別α-突觸核蛋白聚集或神經(jīng)退行性病變的敏感度（59%）高于MDS評分（35%），與嗅覺減退（hyposmia）的敏感度相當（59%）。數(shù)字風險評分在亞閾值帕金森綜合征和嗅覺減退者中顯著升高，并與MDS評分顯著相關(guān)（r=0.36）。然而，其精確度較低（18%），表明需結(jié)合后續(xù)特異性檢測以降低假陽性。

 4.基于AI的盆底表面肌電圖參考范圍及高精度盆底功能障礙診斷

AI-based pelvic floor surface electromyography reference ranges and high-precision pelvic floor dysfunction diagnosis

（1）背景：該研究旨在通過人工智能技術(shù)解決盆底表面肌電圖（sEMG）臨床評估中的核心問題。傳研究團隊建立了一個覆蓋中國21個中心、1605名參與者的多維sEMG數(shù)據(jù)庫（含63項參數(shù)），并開發(fā)了名為AI-Diagnostician-PFD的智能模型。該模型通過遺傳算法優(yōu)化sEMG參數(shù)參考范圍（AI-Reference范圍），并基于集成學習整合多種機器學習算法，目標是為臨床提供更合理的sEMG參考標準及高精度PFD診斷工具，推動盆底肌肉功能評估的標準化和智能化。

（2）解釋：研究發(fā)現(xiàn)，AI優(yōu)化的sEMG參考范圍（AI-Reference范圍）顯著優(yōu)于傳統(tǒng)Glazer標準。在外部驗證數(shù)據(jù)集中，AI-Reference范圍的AUC值達0.79（95% CI: 0.790–0.794），較Glazer標準（AUC 0.68）提升11%，敏感性和特異性分別提高0.14和0.14個點。同時，AI-Diagnostician-PFD診斷模型在測試集和外部驗證集上的AUC均超越6種基線模型（包括CNN、Transformer等），診斷性能提升1%，敏感性和特異性提高2%。