03.31-04.06 临床预测模型研究顶刊快报

JAMA  2025/03/31-2025/04/06

THE LANCET  2025/03/31-2025/04/06

Nature  2025/03/31-2025/04/06

1. 对眼科笔记跨学科理解的AI摘要评估

Evaluation of AI Summaries on Interdisciplinary Understanding of Ophthalmology Notes

(1) 目的：评估大型语言模型生成的简明语言摘要（PLS）整合到标准眼科笔记（SON）中对提高诊断理解、满意度和清晰度的作用。

(2) 结论：在这项研究中，使用大型语言模型生成的PLS与非眼科临床医生和专业人员的理解力和满意度增强有关，这可能有助于跨学科交流。鉴于尽管医生审查了错误，但错误仍然存在，因此建议对临床整合进行谨慎实施和安全监测。

1. 基于MRI的栖息地影像组学结合视觉转换器识别脆弱的颅内动脉粥样硬化斑块并预测卒中事件：一项多中心回顾性研究

MRI-based habitat radiomics combined with vision transformer for identifying vulnerable intracranial atherosclerotic plaques and predicting stroke events: a multicenter, retrospective study

(1) 背景：准确识别高危脆弱斑块和评估卒中风险对于临床决策至关重要，但目前缺乏可靠的无创预测工具。本研究旨在开发一种基于高分辨率血管壁成像（HR-VWI）的人工智能模型，以辅助识别症状性颅内动脉粥样硬化性狭窄（sICAS）患者的脆弱斑块和预测卒中复发风险。

(2) 解释：基于HR-VWI的一体化模型在识别sICAS患者的高危脆弱斑块和预测卒中复发风险方面表现出优异的表现，为临床决策提供有价值的支持。

 2. 基于心电图的深度学习预测美国儿童和成人先天性心脏病的左心室收缩功能障碍：一项多中心建模研究

Electrocardiogram-based deep learning to predict left ventricular systolic dysfunction in paediatric and adult congenital heart disease in the USA: a multicentre modelling study

(1) 背景：左心室收缩功能障碍（LVSD）与先天性心脏病患者的心血管事件独立相关。尽管人工智能增强心电图（AI-ECG）分析可以预测普通成年人群的LVSD，但它尚未全面应用于先天性心脏病病变。

(2) 解释：我们经过外部验证的算法在预测先天性心脏病患者当前和未来的LVSD方面显示出前景，为该人群提供了一种具有临床影响力、廉价且方便的心血管健康工具。 

3. 快照人工智能——从单帧静止图像中测定射血分数：一项多机构、回顾性模型开发和验证研究

Snapshot artificial intelligence—determination of ejection fraction from a single frame still image: a multi-institutional, retrospective model development and validation study

(1) 背景：人工智能（AI）通过提供心脏功能的快速快照来改变床旁护理实践。尽管以前的AI模型已被开发用于估计左心室射血分数（LVEF），但它们通常使用视频剪辑作为输入，这可能是计算密集型的。在目前的研究中，我们旨在开发一个以静态帧作为输入的LVEF估计模型。

(2) 解释：当旨在快速部署此类模型时，来自多个视频的单帧可能足以进行LVEF分类。此外，从可解释性的角度来看，观察到的对心动周期的敏感性为模型性能提供了一些见解。

1. 使用冠状动脉CT血管造影图像对冠状动脉异常起源进行基于 AI 的检测和分类

AI-based detection and classification of anomalous aortic origin of coronary arteries using coronary CT angiography images

(1) 摘要：冠状动脉异常主动脉起源（AAOCA）是一种罕见的心脏病，可导致缺血或心源性猝死，但在常规冠状动脉CT血管造影（CCTA）中经常被忽视或错误分类。开发、验证、外部测试和临床评估了一种基于人工智能（AI）的全自动工具，用于检测和分类3D-CCTA图像中的AAOCA。提出了一个基于AI的模型，该模型能够实现AAOCA的全自动和准确检测和分类，并有可能无缝集成到临床工作流程中。该工具可以为潜在的高风险AAOCA解剖结构提供实时警报，同时还可以分析大型3D-CCTA队列。这将有助于更深入地了解与这种罕见病症相关的风险，并有助于改善其未来的管理。

 2. 基于AI的住院成人阿片类药物使用障碍风险筛查的临床实施

Clinical implementation of AI-based screening for risk for opioid use disorder in hospitalized adults

(1) 摘要：这项前后准实验研究评估了嵌入电子健康记录（EHR）中的人工智能（AI）驱动的阿片类药物使用障碍（OUD）筛选器在识别成瘾医学咨询患者方面是否不劣于常规护理，旨在为人类主导的临时咨询提供一种同样有效但更具可扩展性的替代方案。AI筛选器使用卷积神经网络实时分析EHR笔记，识别有风险的患者并推荐咨询。