09.08-09.14 临床预测模型研究顶刊快报

1.重症监护中新发心房颤动临床预测模型的开发和外部验证：一项多中心、回顾性队列研究  09.09  The Lancet Digital Health

2.基于非造影计算机断层扫描的自发性脑出血患者 90 天预后结果机器学习模型的开发和验证：一项多中心回顾性观察研究  09.12  eClinicalMedicine

1.重症监护中新发心房颤动临床预测模型的开发和外部验证：一项多中心、回顾性队列研究

Development and external validation of a clinical prediction model for new-onset atrial fibrillation in intensive care: a multicentre, retrospective cohort study

（1）背景：本研究旨在开发和外部验证一个用于预测重症监护室（ICU）患者新发心房颤动（AF）风险的临床预测模型。目前，ICU中新发AF很常见，且与不良短期及长期结局相关，但现有的预测模型存在外部验证性能差、包含非常规采集的预测因子、以及模型校准评估不足等局限性，并且通常局限于特定医疗系统，缺乏普适性。因此，本研究计划利用多中心数据，采用机器学习方法开发一个名为METRIC-AF的新模型，以期捕获复杂的变量交互作用，最终提供一个基于常规临床变量、广泛适用且临床有用的风险预测工具，为针对性的预防性干预试验提供信息并帮助锁定高风险人群。

（2）解释：研究的结论是成功开发并外部验证了METRIC-AF模型，该机器学习模型仅包含十个常规收集的临床变量，在性能上优于已发表的逻辑回归模型，表现出更高的区分度（C统计量0.812 vs 0.786）和临床相关风险阈值下的净收益，并且校准良好。研究还发现低镁血症（血清浓度<0.7 mmol/L）与ICU新发AF风险增加存在 novel 关联。此外，研究还提供了一个基于三个最重要预测因子的简化图形化工具，其区分度良好（C统计量0.727）。METRIC-AF模型及其配套工具能够有效识别ICU住院期间新发AF的高风险患者，为针对性的预防策略和试验富集提供支持，未来有望通过进一步的验证和改进患者结局。

2.基于非造影计算机断层扫描的自发性脑出血患者 90 天预后结果机器学习模型的开发和验证：一项多中心回顾性观察研究

Development and validation of a machine learning-based model for 90-day prognosis outcome in spontaneous intracerebral hemorrhage patients based on non-contrast computed tomography: a multicenter retrospective observational study

（1）背景：该研究的目的是开发并验证一个基于机器学习算法的预测模型，用于评估自发性脑内出血（sICH）患者90天功能预后，其核心在于利用非增强计算机断层扫描（NCCT）的影像学特征结合基本临床指标，构建一个临床实用性强、便于早期应用的预后预测工具。旨在建立一个能够辅助临床医生进行快速、准确预后判断的在线预测平台。

（2）解释：研究者通过回顾性收集来自中国四个医疗中心共1193例sICH患者的数据，对比了五种机器学习模型（逻辑回归、支持向量机、随机森林、XGBoost和LightGBM）的性能。LightGBM机器学习模型在整合临床与NCCT特征后表现出最优的预测性能，其训练集受试者工作特征曲线下面积（AUC）为0.813，内部验证AUC为0.852，外部验证AUC为0.796，表明模型具有良好的判别能力和泛化能力；通过SHAP分析及序列前向选择（SFS）筛选出六个核心预测因子，包括入院GCS评分、NIHSS评分、脑室内出血（IVH）、血肿体积、平均CT值和黑洞征，并基于这些变量构建了一个公开可用的在线预测平台（https://surge-ustc.shinyapps.io/multi_para_sih_prognosis/）。该模型不仅证实了NCCT影像特征在预后预测中的重要作用，还突出了其临床适用性与便捷性，为sICH患者的早期风险分层、治疗决策和资源分配提供了可靠工具。