语言 ▾
中文EN

03.24-03.28 临床预测模型研究顶刊快报

发布时间:  2025-04-02 14:57:38

JAMA Network  2025/03/24-2025/03/28

1. 机器人辅助胆囊切除术与腹腔镜胆囊切除术后患者情况的复杂性和胆管损伤  03.25  JAMA Network Open


THE LANCET  2025/03/24-2025/03/28

1. 疾病概率评分在嗜铬细胞瘤和副神经节瘤筛查过程中指导决策的效用:一项机器学习模型横断面研究  03.29  eClinicalMedicine


Nature  2025/03/24-2025/03/28

1. 人工智能检测射血分数保留的心力衰竭的外部验证  03.25  Nature Communications

2. 人工智能指导新生儿重症监护病房精准肠外营养  03.25  Nature Medicine



JAMA Network

1. 机器人辅助胆囊切除术与腹腔镜胆囊切除术后患者情况的复杂性和胆管损伤

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

(1) 目的:该研究旨在评估机器人辅助胆囊切除术与腹腔镜胆囊切除术在不同风险患者中的安全性差异,重点探讨胆管损伤率是否因患者复杂性或风险因素而异。

(2) 结论:研究发现,机器人辅助胆囊切除术在所有风险组(低、中、高)中的胆管损伤率均显著高于腹腔镜手术,相对风险约为3倍。值得注意的是,低风险患者接受机器人手术的胆管损伤率(0.47%)甚至高于高风险患者接受腹腔镜手术的损伤率(0.33%)。尽管两种手术在总体并发症(如再入院、一般并发症)上相似,但机器人组的再手术率更高(相对风险1.47)。



THE LANCET

1. 疾病概率评分在嗜铬细胞瘤和副神经节瘤筛查过程中指导决策的效用:一项机器学习模型横断面研究

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:该研究旨在解决临床实践中筛查嗜铬细胞瘤和副神经节瘤(PPGL)时面临的挑战。传统统计方法难以有效整合多维度数据,因此研究引入机器学习(ML)模型,旨在生成疾病概率评分,以辅助医生更精准地评估疾病可能性并优化后续诊疗步骤。

(2) 解释:该研究通过训练和验证多种机器学习模型(包括支持向量机、随机森林、人工神经网络等),提出了一种新的概率评分框架以优化PPGL的诊断决策。研究利用来自六个医疗中心的2046例患者数据(PMT研究)进行模型开发,并通过外部验证队列(1641例患者,含PRESCRIPT试验和NIH研究数据)评估模型性能。结果显示,所有模型在外部验证中均表现出色(ROC曲线下面积0.988-0.995),但不同模型的概率评分存在显著差异且相关性低。通过结合人类专家判断(十名临床专家对六类疾病可能性的独立评估)和实验室间重复测量数据的鲁棒性分析,研究筛选出人工神经网络(ANN)作为最优模型:其评分在疾病存在与不存在患者间的区分能力显著优于专家判断(如“高度可能”类别中患者评分中位数比无病者高175倍)。



Nature

1. 人工智能检测射血分数保留的心力衰竭的外部验证

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

(1) 介绍:本文聚焦于射血分数保留型心力衰竭(HFpEF)的诊断挑战。研究旨在外部验证该AI模型在独立复杂队列中的表现,并与现有评分对比,评估其诊断性能(鉴别、校准、分类及临床效用)及预后预测价值,以探索AI整合至现有诊断路径的潜力。

(2) 结果:在240例HFpEF患者和256例匹配对照中,AI模型与H2FPEF评分的鉴别能力相似(AUROC:0.798 vs. 0.788),但AI显著减少了中间分类(15.1% vs. H2FPEF的61.7%和HFA-PEFF的54.2%),提升了分类敏感性和特异性。AI模型连续输出提供额外诊断信息(NRI=0.40),与H2FPEF结合可优化临床决策,减少9%不必要治疗且正确管理病例增加33%。预后方面,AI阳性预测结果与复合终点(死亡或心衰住院)风险翻倍相关(HR=2.56),且风险随AI概率分位数升高递增。

2. 人工智能指导新生儿重症监护病房精准肠外营养

AI-guided precision parenteral nutrition for neonatal intensive care units

(1) 介绍:研究基于斯坦福大学10年的临床数据(79,790份处方,5,913例患者),结合机器学习模型和标准化配方聚类,旨在减少人工错误、降低成本,并适应资源有限的环境(如低收入国家)。研究还强调了当前AI在新生儿学中的低应用率,以及TPN2.0在提升精准医疗和安全性方面的潜力。

(2) 结果:研究结果显示,TPN2.0通过变分神经网络(VNN)和半监督聚类分析,从数据中提炼出15种标准化TPN配方。在内部验证(斯坦福数据)和外部验证(UCSF的63,273份处方,3,417例患者)中,TPN2.0的推荐与专家处方高度相关(Pearson’s R分别为0.94和0.91)。盲法评估(192例对比)中,医生对TPN2.0的评分显著高于现有临床实践和随机配方。偏离TPN2.0建议的处方与并发症风险显著相关,如坏死性小肠结肠炎(OR=3.33)和死亡率(OR=5.15)。




上一篇:基于中国CHARLS数据库的老年人跌倒风险预测模型

下一篇:“炎”值拉满的真凶?CXCL6揭示男性不育的隐藏机制



邮编:400000
联系电话:13651835632
电子邮件:zhoubaihao910@126.com
地址:重庆市沙坪坝区龙湖光年4号楼
Copyright © 2022 重庆嘉舟生物科技有限公司 All Rights Reserved 渝ICP备2022013225号