03.02-03.08 临床预测模型研究顶刊快报

THE LANCET

1、基于人工智能的泛癌淋巴结转移检测病理模型：一项多中心诊断研究，兼具回顾性和前瞻性验证

Artificial intelligence-based pathological model for pan-cancer lymph node metastasis detection: a multicentre diagnostic study with retrospective and prospective validation

（1）背景：淋巴结转移的准确检测对肿瘤分期和治疗至关重要，但常规病理检查容易漏诊微转移灶。本研究旨在开发一种泛癌人工智能诊断模型（PanCAM），利用大规模多中心数据集（涵盖33种癌症类型、9256例患者）实现多种癌症类型淋巴结转移的自动检测，并通过回顾性和前瞻性验证评估其诊断性能。

（2）结论：PanCAM在回顾性和前瞻性验证中均表现出高敏感性（>0.93），能有效检测常见和罕见癌症的淋巴结转移，尤其对微转移灶的识别能力突出。模型发现了141例被病理医生漏诊的阳性患者，显著降低了漏诊率。研究表明PanCAM具有良好的泛化能力和临床辅助价值，有望提高淋巴结转移诊断的准确性和效率。

2、多领域中风后认知障碍：临床预测模型的开发与验证

Multidomain post-stroke cognitive impairment: development and validation of a clinical prediction model

（1）背景：中风后认知障碍（PSCI）在多认知领域普遍存在，但现有预测模型多基于痴呆特异性结局而非中风特异性结局，且常使用电子健康记录中无法常规获取的预测因子。本研究旨在利用急性期PSCI评估和中风护理中常规收集的数据，开发并外部验证基于中风特异性认知结局的PSCI临床预测模型。

（2）结论：研究开发的整体PSCI二元和连续预测模型表现良好，经内部验证C统计量为0.76，外部验证为0.74，且在不同中风队列中具有较好的泛化能力。模型使用常规可获取的预测因子（年龄、教育年限、急性期认知功能等），并开发了在线风险计算器，可为临床提供个体化的6个月PSCI风险评估，有助于早期干预和康复计划制定。

3、基于人工智能的BRAIx风险评分用于乳腺癌中期预测：一项人群队列研究AI-based BRAIx risk score for the intermediate-term prediction of breast cancer: a population cohort study

（1）背景：人群乳腺癌筛查虽有效降低死亡率，但主要采用"一刀切"方法，缺乏基于个体风险的个性化策略。传统风险预测工具（如Tyrer-Cuzick模型）在人群筛查中应用有限。本研究旨在将人工智能癌症检测算法转化为中期乳腺癌风险预测工具（BRAIx风险评分），实现基于乳腺X线图像的个体化风险分层。

（2）结论：RAIx风险评分是乳腺癌中期风险（当前至4年内）的强预测因子，其预测能力远优于年龄、家族史和乳腺密度等传统风险因素。评分最高的2%女性4年内患癌概率达9.7%，高于BRCA1/2突变携带者。该评分可解释23%的家族性乳腺癌风险，有望替代乳腺密度用于个性化筛查，实现高风险女性的精准召回和低风险女性的筛查间隔优化。

4、基于CRISPR-Cas的性传播感染现场检测诊断：实验室开发与评估研究

CRISPR-Cas-based diagnostics for point-of-care detection of sexually transmitted infections: a laboratory development and evaluation study

（1）背景：性传播感染（STI）如淋病、衣原体、梅毒和疱疹在全球范围内负担沉重，但传统诊断依赖中心化实验室设备，限制了资源有限地区的检测可及性。WHO强调开发快速、准确、可及的现场检测工具。本研究旨在开发基于CRISPR-Cas的多重现场检测平台，实现四种主要STI病原体及淋病耐药标记的同时检测。

（2）结论：研究开发的CRISPR-Cas检测平台对梅毒螺旋体（敏感度82.5%）、单纯疱疹病毒（94.4%）、淋球菌（80.0%）和沙眼衣原体（73.0%）均表现出良好的诊断性能，检测限达3.9-7.8拷贝/μL。对淋球菌gyrA S91F耐药突变的检测在生殖器样本中敏感度达85.7%。该平台可在25分钟内完成检测，为资源有限环境提供了快速、便携、可及的多重STI现场检测方案，有望实现即时诊断和耐药指导治疗。

5、722名不同族裔川崎病儿童中小林和Kawanet静脉注射免疫球蛋白耐药的预测价值（KIWI研究）：一项国际队列研究

Predictive value for intravenous immunoglobulin resistance of Kobayashi and Kawanet scores in 722 children with Kawasaki disease across diverse ethnic backgrounds (KIWI study): an international cohort study

（1）背景：川崎病（KD）患儿中约15-25%对静脉注射免疫球蛋白（IVIg）耐药，且耐药者冠状动脉异常风险显著增加。小林（Kobayashi）评分在日裔人群中预测效果良好，但在非亚裔人群中准确性有限；Kawanet评分则被提出作为适用于非亚裔人群的替代工具。本研究旨在多族裔队列中评估两种评分的预测性能。

（2）结论：在722例多族裔KD患儿中，IVIg耐药率为19.7%，混血族裔患者耐药率最高（33.3%）。小林评分敏感度71%、特异度39%，Kawanet评分敏感度16%、特异度90%，两者在不同族裔亚组中预测性能均不理想。研究发现发热持续时间、心脏和肌肉骨骼受累、巨噬细胞活化综合征是耐药独立预测因素，而完全型KD为保护因素。结果表明现有评分在多族裔人群中预测价值有限，需开发基于生物标志物的新型预测模型。

6、利用机器学习预测高级别宫颈病变甚至更严重情况的模型

Prediction models for high-grade cervical lesions or worse using machine learning

（1）背景：宫颈癌是全球女性第四大常见癌症，筛查是预防的关键。目前筛查主要基于年龄指南，但风险分层筛查有望优化策略。本研究利用瑞典全国登记数据，开发基于机器学习的随机森林模型，预测1年、3年和5年内高级别宫颈病变（HCL）的发生风险，以支持风险分层筛查的实施。

（2）结论：基研究开发的四种随机森林模型在预测HCL风险方面表现优异，AUC达0.83-0.96。模型显示筛查结果（细胞学/HPV检测）和年龄是最强预测因子。HPV检测单独使用与联合细胞学预测能力相当。通过阳性预测值（PPV）与干预人数曲线，模型可直接指导临床资源配置，为风险分层筛查提供实用工具，有望优化筛查间隔、减少过度筛查。

Nature

1、基于蛋白质组学的机器学习模型用于预测HBV相关肝衰竭的继发感染

Proteomics-based machine learning model for predicting secondary infection in HBV-related liver failure

（1）背景：乙型肝炎病毒（HBV）相关肝衰竭患者极易发生继发感染（SI），导致死亡率显著增加，但目前缺乏早期预测工具。本研究旨在通过多中心前瞻性队列，利用血浆蛋白质组学数据开发并验证可早期识别SI高风险患者的机器学习预测模型。

（2）结果：研究整合非靶向和靶向蛋白质组学数据，筛选出LYZ、CALM1、SERPIND1、DPT四种蛋白标志物，结合总胆红素和AST构建预测模型。模型在发现队列中AUROC达0.980，验证队列中为0.873，显著优于传统炎症指标（CRP、WBC、NE%）。模型还能有效预测28天死亡率（AUROC 0.883），为HBV相关肝衰竭患者SI风险分层和早期干预提供了可靠工具。