06.02-06.08 临床预测模型研究顶刊快报

1.评估活体肾切除术后早期供体肾功能恢复作为肾移植后移植失败的预测指标：一项纵向队列和机器学习研究  06.03  eClinicalMedicine

2.对开始长期雄激素剥夺治疗的晚期前列腺癌患者进行基于数字病理学的多模态人工智能衍生预后模型的外部验证：STAMPEDE 平台方案的四项 3 期随机对照试验的事后辅助生物标志物研究  06.03  The Lancet. Digital health

3.可穿戴设备衍生的风险评分，用于非侵入性检测 α-突触核蛋白聚集或多巴胺能缺陷  06.05  eBioMedicine

4.基于AI的盆底表面肌电图参考范围及高精度盆底功能障碍诊断  06.05  eBioMedicine

1.评估活体肾切除术后早期供体肾功能恢复作为肾移植后移植失败的预测指标：一项纵向队列和机器学习研究

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：本文旨在评估活体肾移植供者术后早期肾功能恢复指标（dCRC，即供者肌酐相对变化率）与受体移植肾长期存活的关系，并验证其能否提升现有预测模型（iBOX评分）对移植失败风险的预测效能。

（2） 解释：研究发现，供者术后早期肾功能恢复指标dCRC与死亡审查同种异体移植失败（DCGF）风险呈J型非线性关联：dCRC每增加10%，DCGF风险显著升高36.7%（HR=1.367, 95% CI: 1.262–1.479）。即使供者术前或术后eGFR ≥90 mL/min/1.73 m²，dCRC >30%仍独立预测更高DCGF风险（P=0.025）。在模型优化方面，dCRC联合iBOX核心指标（1年肌酐、蛋白尿、DSA）显著提升10年DCGF预测效能：Cox模型AUC从0.765升至0.868（P=0.0017），XGBoost从0.727升至0.840（P=0.0029），随机森林从0.701升至0.857（P<0.0001）。

 2.对开始长期雄激素剥夺治疗的晚期前列腺癌患者进行基于数字病理学的多模态人工智能衍生预后模型的外部验证：STAMPEDE 平台方案的四项 3 期随机对照试验的事后辅助生物标志物研究

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：该研究旨在外部验证一种基于数字病理学的多模态人工智能（MMAI）预后模型（ArteraAI Prostate）在晚期前列腺癌患者中的有效性。

（2）解释：本研究证实，ArteraAI开发的MMAI模型在晚期前列腺癌患者中具有显著的预后价值。模型连续评分每增加一个标准差，前列腺癌特异性死亡率（PCSM）风险显著增加40%（HR 1.40, 95% CI 1.30–1.51, p<0.0001），且这一关联在所有治疗组（单独ADT、ADT+多西他赛、ADT+阿比特龙）和疾病状态（非转移/转移）中均一致。通过四分位分层，最高评分组（Q4）患者的5年PCSM风险显著高于其他组（非转移组：Q4 vs Q1–3的HR 2.12, p<0.0001；转移组：HR 1.62, p<0.0001）。更重要的是，模型进一步细化了现有临床分层：例如，在低转移负荷患者中，Q4组的5年PCSM风险（43%）显著高于Q1–3组（27%）；在高转移负荷患者中，Q4组风险（68%）亦显著高于Q1–3组（48%）。

 3.可穿戴设备衍生的风险评分，用于非侵入性检测 α-突触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：该研究旨在评估基于可穿戴设备（智能手表）衍生的数字风险评分在无创检测帕金森病（PD）早期病理变化（α-突触核蛋白聚集或多巴胺能缺陷）中的价值。

（2）解释：研究发现，基于智能手表数据的数字风险评分显著优于传统前驱期PD评估标准（如运动障碍学会MDS研究标准）。该评分在未确诊的高风险人群中与生物标志物密切相关：与DaTscan的壳核结合比率呈显著负相关（r=-0.32），且其识别α-突触核蛋白聚集或神经退行性病变的敏感度（59%）高于MDS评分（35%），与嗅觉减退（hyposmia）的敏感度相当（59%）。数字风险评分在亚阈值帕金森综合征和嗅觉减退者中显著升高，并与MDS评分显著相关（r=0.36）。然而，其精确度较低（18%），表明需结合后续特异性检测以降低假阳性。

 4.基于AI的盆底表面肌电图参考范围及高精度盆底功能障碍诊断

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

（1）背景：该研究旨在通过人工智能技术解决盆底表面肌电图（sEMG）临床评估中的核心问题。传研究团队建立了一个覆盖中国21个中心、1605名参与者的多维sEMG数据库（含63项参数），并开发了名为AI-Diagnostician-PFD的智能模型。该模型通过遗传算法优化sEMG参数参考范围（AI-Reference范围），并基于集成学习整合多种机器学习算法，目标是为临床提供更合理的sEMG参考标准及高精度PFD诊断工具，推动盆底肌肉功能评估的标准化和智能化。

（2）解释：研究发现，AI优化的sEMG参考范围（AI-Reference范围）显著优于传统Glazer标准。在外部验证数据集中，AI-Reference范围的AUC值达0.79（95% CI: 0.790–0.794），较Glazer标准（AUC 0.68）提升11%，敏感性和特异性分别提高0.14和0.14个点。同时，AI-Diagnostician-PFD诊断模型在测试集和外部验证集上的AUC均超越6种基线模型（包括CNN、Transformer等），诊断性能提升1%，敏感性和特异性提高2%。