04.07-04.13 临床预测模型研究顶刊快报

1.使用DataSAIL进行数据分割以避免信息泄露

Data splitting to avoid information leakage with DataSAIL

（1）介绍：研究者开发了DataSAIL这一通用Python工具，将泄漏最小化的数据分割问题转为组合优化任务，通过聚类和整数线性规划（ILP）的启发式方法，生成训练、验证和测试集，确保数据点间相似性最小化，同时保持类别分布平衡，从而更真实地评估模型在未知数据上的性能。

（2）结果：文章通过理论证明和实验验证表明，DataSAIL能显著降低数据分割中的信息泄漏，提升模型评估的可靠性。其核心贡献包括：1）将数据分割问题建模为NP难的(k, R, C)-DataSAIL优化问题，提出基于聚类和ILP的高效解法；2）支持一维（如分子属性预测）和二维（如药物-靶点交互）数据分割，并兼容分层需求；3）在多个生物医学数据集（如QM8、Tox21）上的实验显示，DataSAIL分割相比随机分割和其他工具（如DeepChem、LoHi）显著降低泄漏指标L(π)，并导致模型测试性能更接近真实OOD场景。

2.生物医学机器学习的基准危机

A benchmarking crisis in biomedical machine learning

（1）介绍：本文旨在揭示生物医学机器学习领域因缺乏标准化基准、统一性能评估指标和透明验证协议而面临的危机，并强调这一危机对科学进步和临床转化的阻碍。

（2）结果：作者提出，解决这一危机需要多方协作的标准化举措，包括：1）由行业联盟主导整合和规范生物医学基准数据集，统一数据预处理流程，减少评估偏差；2）平衡专有数据与公共数据的利用，通过定期对比不同专有训练集和疾病场景，激励数据多样性，提升模型泛化性；3）构建与临床或生物学实际意义挂钩的评估框架，超越传统准确性指标，纳入安全性、伦理合规性等维度，并早期引入监管机构参与基准设计以加速临床转化。

 3.开发并验证加州两大医疗系统中结核病识别预测算法

Development and validation of prediction algorithm to identify tuberculosis in two large California health systems

（1）介绍：该研究旨在解决加州潜伏性结核感染（LTBI）筛查的不足问题，作者开发了一种基于EHR数据的结核病风险预测模型，以提高筛查效率。研究通过比较新模型与当前实际筛查实践（如随机筛查或基于不完整风险因素的筛查）以及理想化的基于EHR的加州公共卫生部（CDPH）指南筛查，验证新模型是否能更精准地识别高风险人群，从而减少需筛查人数并提高检出率。

（2）结果：研究开发的结核病风险预测模型在内部（KPSC）和外部（KPNC）验证中表现出色，C统计值分别为0.816和0.817，显示较高的区分能力。与现有筛查相比，模型在相同筛查比例下显著提升敏感性：例如，筛查5.2%的高风险人群时，敏感性从实际筛查的4.9%提升至35%，需筛查人数（NNS）从3222人/病例降至361人/病例。模拟结果显示，即使考虑现有筛查可能预防的病例，模型仍保持优势。此外，模型在覆盖30%人群时（接近理想化CDPH筛查比例）敏感性达76-81%，优于理想化筛查的73-79%。

4.使用电子健康记录预测先兆子痫从诊断到分娩的间隔

Predicting interval from diagnosis to delivery in preeclampsia using electronic health records

（1）介绍：该研究旨在开发并验证一种基于深度学习的生存分析模型（PEDeliveryTime），利用电子健康记录（EHR）数据预测先兆子痫（PE）患者从诊断到分娩的时间间隔，以辅助临床决策。

（2）结果：研究成功开发了PEDeliveryTime模型，在密歇根大学（内部）和佛罗里达大学（外部）数据集上分别达到C-index 0.79和0.74，EOPE子集模型表现稍低但仍有临床价值（C-index 0.76和0.67）。模型筛选出12个关键特征，包括诊断孕周（最重要预测因子）、严重先兆子痫（sPE）、实验室指标（AST、肌酐）、生命体征变异（舒张压标准差）及病史（既往PE史）。这些特征与缩短或延长分娩时间显著相关，例如高AST值和血压波动提示更早分娩。研究进一步开发了用户友好的网络应用程序，支持临床实时预测。外部验证证实模型泛化能力，且性能优于现有风险评分工具（如fullPIERS的C-index仅0.50）。