03.09-03.15 临床预测模型研究顶刊快报

1、利用深度学习技术分析组织病理图像，预测乳腺癌复发风险和化疗获益：一项多中心模型开发与验证研究

Deep learning on histopathological images to predict breast cancer recurrence risk and chemotherapy benefit: a multicentre, model development and validation study

（1）背景：Oncotype DX等基因组检测虽能指导乳腺癌化疗决策，但因成本高、可及性低，全球多数患者无法使用。该研究旨在开发一种基于常规H&E染色病理切片和临床变量的多模态深度学习模型，用于预测Oncotype DX复发评分，以提供经济、可及的替代方案。

（2）结论：该模型在TAILORx试验及六个国际独立队列中表现优异，识别高风险患者的AUC达0.898。模型能有效区分化疗获益人群：绝经前高风险患者化疗获益显著，绝经后低风险患者无需化疗，为资源有限地区提供了精准 oncology 的可扩展工具。

2、英国精神病谱系障碍青少年心血管代谢预测模型（PsyMetRiC 2.0）：一项回顾性多队列临床预测模型研究

Cardiometabolic prediction models for young people with psychosis spectrum disorders in the UK (PsyMetRiC 2.0): a retrospective, multicolour clinical prediction model study

（1）背景：精神病谱系障碍青少年心血管代谢疾病风险高，但缺乏适用于临床的精准预测工具。该研究旨在优化并扩展原有的PsyMetRiC模型，新增2型糖尿病和临床显著体重增长预测模型，并开发符合英国医疗设备法规的网络应用，以支持临床预防决策。

（2）结论：PsyMetRiC 2.0模型在大型队列中表现出良好的区分度和校准度（代谢综合征C指数0.81，2型糖尿病C指数0.81）。模型已转化为英国一类医疗设备，可通过网络应用辅助临床医生对精神病青少年进行个性化心血管代谢风险评估和早期干预。

3、建立子宫内膜异位症风险早期预测模型：简化的青少年子宫内膜异位症因素（SAFE）评分

Development of an early prediction model for endometriosis risk: the simplified adolescent factors for endometriosis (SAFE) score

（1）背景：子宫内膜异位症影响约11%的育龄女性，但由于症状非特异且缺乏早期筛查工具，诊断常延迟6-8年。该研究旨在利用澳大利亚女性健康 longitudinal 数据，开发一种简便、适用于初级保健的子宫内膜异位症早期风险预测模型，以支持转诊决策。

（2）结论：SAFE评分基于六个青少年期风险因素（包括盆腔疼痛严重程度、止痛药使用、经期疼痛、月经量多和家族史），在训练集和验证集中表现良好（AUC 0.71-0.81）。以2分为阈值，阴性预测值达90%以上，可作为初级保健中识别高风险女性的有效工具，有助于缩短诊断延迟。

1.常规血液检查和机器学习可以识别高度近视的并发症

Routine blood tests and machine learning identify complications in high myopia

（1）背景：高度近视可导致白内障、青光眼、视网膜脱离、脉络膜新生血管和黄斑变性，造成不可逆的视力丧失。影像学检查可以检测出这些并发症，但由于设备和专科医生资源有限，人群筛查受到限制

（2）结果：作者在一项包含10,661名参与者的多中心研究中开发了该模型，并在两个独立的队列中对其进行了验证。该模型在不同中心均表现出较高的准确率（受试者工作特征曲线下面积=0.9010-0.9649），并在一项包含5,067名参与者的医院前瞻性随访研究中，成功识别出接受临床诊断的个体。在一项包含311,254名成年人的社区筛查研究中，该模型提高了转诊进行眼科评估人群中并发症的检出率（阳性预测值=74%）。