07.28-08.03 临床预测模型研究顶刊快报

1.开发和验证基于常规MRI的模型来预测患有脑室周围白质损伤的婴儿（6-24个月）的脑瘫：一项多中心、回顾性队列研究

Development and validation of a conventional MRI-based model to predict cerebral palsy in infants (aged 6–24 months) with periventricular white matter injury: a multicentre, retrospective cohort study

（1）背景：该研究聚焦于解决婴幼儿脑瘫（CP）早期预测的临床挑战，尤其针对6-24月龄的脑室周围白质损伤（PVWMI）患儿群体。现有预测工具存在显著局限：神经行为评估如Hammersmith婴儿神经学检查（HINE）因诊断临界值不一致而可靠性不足（敏感性90%但特异性波动）；常规MRI评分系统需复杂计算且年龄适应性差（覆盖6月龄至18岁），而先进影像技术（如弥散张量成像）受限于专用软件、小样本及单中心设计。亟需开发一种基于常规MRI的简易、跨中心验证的预测模型，以抓住2岁前神经可塑性的关键干预窗口。

（2）解释：研究通过多中心回顾性队列（中国5家医院，383例PVWMI婴儿）构建并验证了基于常规MRI的CP预测模型。关键发现包括：（1）独立预测因子——多变量回归分析识别出5个MRI特征与CP强相关：内囊后肢（PLIC）异常信号（OR=16.52, P<0.001）、半卵圆中心皮质脊髓束信号异常（OR=13.01, P<0.001）、大脑脚信号异常（OR=5.54, P=0.04）、丘脑信号异常/萎缩（OR=4.76, P=0.02）及豆状核信号异常/萎缩（OR=4.58, P=0.03），这些特征反映了皮质脊髓通路损伤和深部灰质病变的协同作用；（2）模型效能——基于上述因子构建的列线图模型在推导队列中AUC达0.94（95%CI: 0.91-0.98），内部验证（AUC=0.96）和外部验证（AUC=0.92）均表现优异，且决策曲线显示临床净收益显著；（3）泛化性验证——11名不同经验水平的阅片者（含神经科医师）在多阅片者测试队列中平均AUC为0.96（敏感性0.90、特异性0.88），但神经科医师因影像经验不足AUC显著低于放射科医师（0.87 vs. 0.98, P<0.01）；（4）亚组稳定性——模型在年龄分层（6-11月/12-17月/18-24月AUC分别为0.97/0.98/0.95）及性别分组中性能一致，证实其对髓鞘化进程的动态变化具有耐受性。

 2.开发和验证用于预测肺癌术后肺部并发症的可解释机器学习模型：一项机器学习研究

Development and validation of an explainable machine learning model for predicting postoperative pulmonary complications after lung cancer surgery: a machine learning study

（1）背景：肺癌手术后的肺部并发症（PPCs）是临床管理中的关键挑战，其发生率高达48%（平均18.4%），与住院时间延长、死亡率增加及生存质量下降显著相关。尽管手术技术进步，但现有预测模型（如传统逻辑回归或列线图）存在局限性：依赖临床经验筛选变量、可解释性差、缺乏多中心验证，且未整合关键肺功能指标（如DLCO）。本研究旨在通过循证方法（meta分析结合两轮Delphi专家咨询）确定风险变量池，开发可解释ML模型，以填补临床空白，优化资源分配并改善患者预后。

（2）解释：研究采用双向病例对照设计，纳入883例回顾性队列（PPCs发生率35.4%）和308例前瞻性队列（PPCs发生率29.5%），通过多步特征筛选（单变量分析、共线性检验、9种ML算法重要性评分及递归特征消除）开发12个独立ML模型和26个堆叠集成模型，其中SVM+DT堆叠模型表现最优（内部验证AUC=0.860, 95% CI: 0.809–0.911；敏感性0.746，特异性0.974），显著优于其他模型（DeLong检验P<0.05），决策曲线分析（DCA）显示其临床净收益更高。前瞻验证AUC=0.790（95% CI: 0.744–0.835），Hosmer-Lemeshow检验（P=0.10）和校准曲线证实模型稳健。SHAP解释揭示年龄>60岁、IFIV>1000 mL、手术时长>150分钟为PPCs主要风险驱动因子，支持个体化干预（如限制术中输液、缩短手术时间）。

 3.人工智能预测卒中单元的心房颤动：一项回顾性推导验证队列研究

Artificial intelligence for prediction of atrial fibrillation in the stroke unit: a retrospective derivation validation cohort study

（1）背景：心房颤动（AF）是缺血性脑卒中的主要病因，占病例的25%，但因其阵发性特点常在常规临床检查中漏诊（漏诊率高达48%），导致二级预防失败。研究旨在通过卒中单元连续72小时监测数据，开发可解释AI模型，优化AF风险分层。

（2）解释：研究基于柏林Charité医院2068例卒中患者（469例AF，其中103例院内新发）的72小时连续心电图监测数据，通过多模型比较（DNN、贝叶斯融合、树集成等）和SHAP可解释性分析，发现HRV是AF预测的核心驱动因子（贡献度>70%），如RMSSD（逐搏变异）和pNN50（短期不规则性），其重要性超越年龄和临床变量（SHAP值均值0.15 vs. 0.05）。贝叶斯融合模型性能最优（ROC-AUC 0.89），但简化树集成模型仅用年龄和1小时HRV参数即达相近效果（ROC-AUC 0.88），且外部验证（MonDAFIS前瞻性队列1519例）显著优于AS5F评分（ROC-AUC 0.79 vs. 0.69, p=0.0047），敏感性0.39（AS5F:0.03）且NPV达0.98。

1.生物标志物组可改善心房颤动患者的风险预测并增强生物学洞察力

Biomarker panels for improved risk prediction and enhanced biological insights in patients with atrial fibrillation

（1）介绍：本文旨在评估一组12种循环生物标志物（涵盖心肌损伤、炎症、氧化应激、凝血和心功能失调等多种病理生理通路）在房颤（AF）患者中对不良心血管事件的预测价值，并探索其潜在生物学机制。

（2）结果：研究发现D-dimer（凝血）、GDF-15（氧化应激）、IL-6（炎症）、NT-proBNP（心肌功能障碍）和hsTropT（心肌损伤）这5种生物标志物能独立预测复合心血管结局（心血管死亡、缺血性中风、系统栓塞或心肌梗死），显著提升预测准确性（例如，Cox模型AUC从0.74提高到0.77）；GDF-15、IGFBP-7、NT-proBNP和hsTropT还预测心力衰竭住院，而GDF-15和IL-6与主要出血事件相关。生物标志物模型在预测中风和主要出血时优于临床风险评分（如CHA₂DS₂-VASc和HAS-BLED），例如中风预测AUC为0.69 vs. 0.64（P=0.003）。

2.可解释的多模态深度学习利用超声成像预测甲状腺癌侧淋巴结转移

Explainable multimodal deep learning for predicting thyroid cancer lateral lymph node metastasis using ultrasound imaging

（1）介绍：本文旨在解决甲状腺癌术前侧颈淋巴结转移（LLNM）预测的临床难题。由于传统超声检测敏感性低、依赖医生经验，且解剖结构复杂导致样本获取困难，缺乏精准的预测工具。为此，作者团队开发了LLNM-Net——一种基于双向注意力机制的多模态深度学习模型。该模型整合术前超声图像（包括结节形态、位置）、影像报告、病理结果及人口统计学数据，通过融合结节形态学特征（如边缘、内部回声）与精确位置信息（采用中心点距离变换算法），构建端到端的预测框架。为临床提供可靠的术前LLNM风险评估工具，辅助手术决策和预后管理。

（2）结果：本研究通过多中心大样本验证（39,451例患者），模型在外部测试集上达到AUC 0.944（95% CI: 0.942–0.945），准确率84.7%，较人类专家（准确率64.3%）提升20.4%，较既往最佳模型提升7.4%。对高风险患者（转移淋巴结>3cm）的识别AUC高达0.983。