05.12-05.18 临床预测模型研究顶刊快报

1.预测急诊科儿科肺炎的严重程度：儿科急诊研究网络的多国前瞻性队列研究

Predicting paediatric pneumonia severity in the emergency department: a multinational prospective cohort study of the Pediatric Emergency Research Network

(1)背景：在资源丰富的地区，用于儿科社区获得性肺炎（CAP）的风险分层工具很少。前瞻性地开发了模型来预测儿科急诊科（EDs）跨国队列中的CAP严重程度。主要目标是开发一个风险预测模型来区分轻度CAP和中度或重度CAP，以帮助临床医生确定住院需求。

(2)解释：在CAP儿童中开发了准确、实用的严重性风险预测模型。在未来的外部验证之后，这些模型有可能提供个体化的风险评估，这些评估可以纳入资源充足的卫生系统的临床判断中，以改善管理。

 2.基于AI的CT心脏衰减扫描六组织体成分定量用于死亡率预测：一项多中心研究

AI-based volumetric six-tissue body composition quantification from CT cardiac attenuation scans for mortality prediction: a multicentre study

(1) 背景：CT衰减校正（CTAC）扫描通常在心脏灌注成像期间进行，但目前仅用于衰减校正和视觉钙估计。我们旨在开发一种基于人工智能（AI）的新型方法，以从CTAC扫描中获得胸部身体成分的体积测量值，并评估这些措施的全因死亡风险分层。

(2)解释：在心脏灌注成像期间常规获得的CTAC扫描包含重要的体积体成分生物标志物，这些生物标志物可以自动测量并提供重要的附加预后价值。

 3.儿童急性淋巴细胞白血病的风险分层治疗：一项来自印度的多中心观察性研究

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

(1)背景：高收入国家急性淋巴细胞白血病（ALL）儿童的总生存率接近90%。按照相同的方案治疗，印度的结局约为65%。

(2)解释：风险分层、定向、降低强度的治疗和合作可减少治疗死亡和复发。跨中心的基因和MRD检测标准化以及获得高质量药物将进一步提高生存率。

1.构建由大型语言模型提供支持的统一药物协同分析模型

Building a unified model for drug synergy analysis powered by large language models

(1)背景：在治疗癌症等复杂疾病时，药物协同效应预测对优化联合治疗方案至关重要，但传统方法面临数据异质性、模型通用性不足及药物与细胞系特征表征不充分等挑战。

(2)解释：BAITSAO模型通过融合大型语言模型生成的上下文药物/细胞系嵌入特征，结合多任务预训练框架和统一数据处理流程，显著提升跨数据集协同预测能力，并扩展至药物发现及组合-基因互作分析等应用场景。

2.通过基于图像的全面循环血小板分析直接评估冠状动脉疾病中的抗血小板治疗

Direct evaluation of antiplatelet therapy in coronary artery disease by comprehensive image-based profiling of circulating platelets

(1)背景：冠状动脉疾病（CAD）作为全球主要死亡原因，依赖抗血小板治疗预防血栓并发症，但传统方法无法直接评估其疗效与安全性，且存在出血风险增加的矛盾困境。

(2)解释：基于深度学习的循环血小板图像分析技术，通过检测全血样本中血小板聚集体浓度的动态变化（如急性/慢性冠脉综合征差异及抗血小板药物方案依赖性降低），揭示了静脉血与动脉血中聚集体的一致性，为个性化抗血小板治疗提供了直接、可靠的安全性及疗效评估工具。

3.一种临床适用的AI系统，用于使用CT扫描检测和诊断骨转移

A clinically applicable AI system for detection and diagnosis of bone metastases using CT scans

(1)背景：手动通过CT图像检测原发性癌症骨转移（BM）存在显著挑战，传统方法依赖人工判读且效率低，难以在非对比CT中精准区分BM/非BM病灶，导致诊断敏感性和特异性不足。

(2)解释：自动化骨病变检测系统（BLDS）基于多中心2518名患者的CT数据开发，在非对比CT中实现89.1%的病变敏感性和92.3%分类准确率，虽BM检测灵敏度略低于资深放射科医生，但显著提升人工判读效率（敏感性提高22.2%，阅读时间缩短26.4%），并验证其临床实用性（患者敏感性90.2%、阴性预测值98.2%），尤其为受训医师提供高效辅助工具。