12.08-12.14 临床预测模型研究顶刊快报

JAMA Network  2025/12/08-2025/12/14

THE LANCET  2025/12/08-2025/12/14

THE NATURE  2025/12/08-2025/12/14

JAMA Network

1、预测28天及以下发热婴儿发生菌血症和细菌性脑膜炎的风险

Prediction of Bacteremia and Bacterial Meningitis Among Febrile Infants Aged 28 Days or Younger

（1）介绍：新生儿出生后第一个月的发热往往是危及生命的侵袭性细菌感染（特别是菌血症或细菌性脑膜炎）的唯一征兆。大多数国际指南建议对所有28天及以下的发热婴儿进行常规腰椎穿刺，以排除细菌性脑膜炎。临床预测规则可能允许进行选择性检查，但目前关于其在识别侵袭性细菌感染低风险婴儿方面的表现信息有限。

（2）结论：在来自6个国家的4项研究中，对1537名28天或更小的发热婴儿进行了研究，结果显示，该预测规则对菌血症和细菌性脑膜炎的敏感性为94.2%，特异性为41.6%，阳性预测值为6.9%，阴性预测值为99.4%；没有被归类为低风险的婴儿患有细菌性脑膜炎。

THE LANCET

1、基于人工智能的宫颈癌前筛查工具在非洲五国的表现：一项前瞻性、观察性、诊断准确性研究

Performance of an artificial intelligence-based tool for cervical precancer screening in five countries in Africa:a prospective, observational, diagnostic accuracy study

（1）介绍：该研究旨在评估基于人工智能的自动视觉评估工具在非洲五国真实临床环境中筛查宫颈癌前病变的准确性。宫颈癌主要由高危型HPV引起，在中低收入国家负担沉重。虽然WHO推荐HPV检测作为首选筛查方法，但因成本与后勤限制，许多地区仍依赖准确性有限的醋酸染色肉眼观察法。本研究通过前瞻性诊断准确性研究，比较AVE与VIA在检测组织学确诊的CIN2+病变中的表现，以验证AI工具是否能够提升筛查敏感性，弥补现有视觉筛查方法的不足。

（2）结论：研究共纳入24,447名女性，其中9,559名为HIV感染者。AVE检测CIN2+的敏感性为60.1%，特异性为81.9%，显著高于VIA的敏感性（36.6%）与特异性（94.2%）。AVE辅助的VIA（任一阳性即视为阳性）敏感性提升至71.8%，特异性为79.0%。HPV检测敏感性最高（90.4%），特异性为80.1%。研究表明AVE可显著提高宫颈癌前病变的检出率，尤其在资源有限的环境中可作为现有筛查方法的重要补充。

2、乳腺癌肿瘤浸润淋巴细胞高效计算评估（ECTIL）：2340例乳腺癌患者的多中心验证

Label-efficient computational tumour infiltrating lymphocyte assessment in breast cancer (ECTIL): multicentre validation in 2340 patients with breast cancer

（1）介绍：本文针对乳腺癌预后关键指标——间质肿瘤浸润淋巴细胞评估存在的主观性强、工作量大等问题，提出了一种名为ECTIL的新型计算模型。它摒弃了传统复杂、依赖海量细胞级标注的深度学习流程，仅使用极少的整张切片级标注，通过预训练的病理基础模型提取特征并直接回归预测TIL评分，旨在实现高效、标准化的自动化评估。

（2）结论：该研究在包含2340例患者的多中心大样本数据集中验证了ECTIL。结果显示，尤其是在整合所有亚型数据训练的ECTIL-combined模型，与病理专家评分高度一致，并能有效区分高/低TIL组。更重要的是，其预测的TIL评分在患者总生存期分析中展现出与专家评分相似的独立预后价值，证明了其用于临床辅助决策的潜力。

Nature

1、基于Transformer的深度学习增强了偏头痛全基因组关联研究的发现

Transformer-based deep learning enhances discovery in migraine GWAS

（1）介绍：本文针对偏头痛这一遗传力高但传统全基因组关联研究（GWAS）仅能解释部分遗传因素的难题，提出了一种名为InsightGWAS的新型深度学习模型。该模型基于Transformer架构，通过整合多组学功能注释，并利用从重度抑郁症（MDD）GWAS中迁移学习的知识，旨在提升从现有GWAS数据中发现偏头痛相关遗传位点的能力，克服传统方法对超大样本量的依赖。

（2）结论：研究将InsightGWAS应用于包含超过5万病例和23万对照的偏头痛GWAS数据，成功识别出293个此前未报道的新风险位点，涉及CACNA1D、HTR3C等与离子通道和神经传递相关的基因。其中两个位点（rs4320030和rs5763529）在独立测序研究中得到验证，证明了模型的准确性。功能富集分析进一步揭示了氮化合物代谢、阳离子结合等新的潜在病理通路，为理解偏头痛的遗传机制提供了新见解。

2、解读免疫时钟：机器学习模型根据细胞模式预测小鼠免疫年龄

Reading the immune clock: a machine learning model predicts mouse immune age from cellular patterns

（1）介绍：本文针对免疫系统随年龄发生深刻变化但缺乏基于蛋白水平的准确评估工具这一难题，提出了一个机器学习模型来预测“免疫年龄”。研究利用质谱流式细胞技术，分析了小鼠脾脏CD45+免疫细胞在五个不同年龄阶段（2至20个月）中30种蛋白标志物的表达，并从中提取了103个分子特征。通过聚焦六个主要免疫细胞亚群（如CD8+ T细胞、B细胞等），研究者训练了一个基于支持向量回归的机器学习模型，旨在从复杂的细胞表型模式中直接、定量地推断个体的免疫年龄。

（2）结论：该模型在独立测试集上表现出强大的泛化能力，预测年龄与实际年龄高度相关（R=0.93，R²=0.87）。研究进一步在一个肥胖小鼠模型中验证了其稳健性：与正常饮食对照组相比，高脂饮食诱导的肥胖小鼠显示出免疫衰老加速的趋势。

3、利用人工智能驱动的视网膜神经纤维层代谢组学分析来评估死亡风险和心血管代谢疾病

Artificial intelligence-driven metabolomics of retinal nerve fibre layer to profile risks of mortality and cardiometabolic diseases

（1）介绍：本研究旨在构建一种新型AI预测模型，通过整合非侵入性视网膜神经纤维层（RNFL）光学扫描与血液代谢组学数据，揭示其共同的代谢基础，并将其用于预测个体未来的心血管代谢疾病（CMD）与死亡风险。

（2）结论：所开发的AI驱动的RNFL代谢状态模型展现出强大的预测能力。它能将人群分为风险差异显著的层级（最高与最低十分位风险比达21.8倍），其单独预测性能优于大多数传统临床指标。将该模型整合至Framingham等现有评分中，能显著提升对2型糖尿病、心肌梗死等多种CMD结局的预测精度（例如，AUPRC平均提升达43.8%）。

4、利用深度学习进行生物学信息指导的药物表征整合，用于乳腺癌治疗

Biologically-informed integration of drug representations for breast cancer treatment using deep learning

（1）介绍：该研究旨在构建一个基于深度学习的预测模型（GDnet），以优化乳腺癌新辅助治疗的方案选择。针对约半数患者无法达到病理完全缓解的临床挑战，研究提出需将药物作用机制整合至预测框架中。

（2）结论：GDnet模型在包含4,371例患者的多数据集队列中表现出色，其在外部测试集上预测病理完全缓解的AUROC达0.725，显著优于仅基于转录组的模型。

5、血浆蛋白质组学分析可识别出预测克罗恩病发病前16年的生物标志物

Plasma proteomic profiles identify biomarkers predicting Crohn’s disease up to 16 years before onset

（1）介绍：克罗恩病（CD）作为一种慢性炎症性肠病，其全球发病率不断上升，但由于缺乏早期诊断工具，患者往往在疾病已进入活动期才被确诊，严重影响生活质量与预后。本研究旨在通过大规模血浆蛋白质组学分析，建立一种能够非侵入性、早期预测CD发病风险的模型，以填补当前预测工具不足的空白，并为高风险人群的早期干预提供科学依据。

（2）结论：研究通过分析大规模血浆蛋白质组数据，构建了基于9种关键蛋白的机器学习预测模型。该模型能在症状出现前最多16年预测克罗恩病发病风险，在独立测试队列中表现出色（AUC 0.76），显著优于传统临床风险模型，并通过外部队列验证，为早期筛查提供了强有力的非侵入性工具。

6、肠道微生物群预测糖尿病前期患者对膳食纤维的个体化反应：一项随机、开放标签试验

Gut microbiome predicts personalized responses to dietary fiber in prediabetes: a randomized, open label trial

（1）介绍：糖尿病前期作为糖尿病的重要过渡阶段，亟需有效的预防干预。然而，传统基于血糖值的分类方法无法反映患者的代谢异质性，导致个体对膳食纤维等生活方式干预的反应存在巨大差异。本研究认为肠道微生物群与宿主代谢状态密切相关，且是膳食纤维作用的关键介质。

（2）结论：研究通过对糖尿病前期患者进行多变量代谢分型，发现仅部分亚群能从膳食纤维干预中获益。基于基线肠道菌群特征，团队建立了LightGBM机器学习模型，能有效预测个体对纤维干预的血糖改善反应（AUC 0.81），并开发了可量化预测反应的微生物评分，为个性化营养干预提供了精准决策依据。