04.13-04.19 临床预测模型研究顶刊快报

THE JAMA  2026/04/13-2026/04/19

1、机器学习模型用于预测乳房切除术后乳房重建并发症  04.15  JAMA Network Open

THE LANCET  2026/04/13-2026/04/19

1、利用整合多组学策略发现基于血液的早期妊娠丢失生物标志物  04.13  eBioMedicine

THE NATURE  2026/04/13-2026/04/19

1、基于深度学习的数字活检用于预测胃癌早期复发  04.15  nature communications

2、蛋白质组风险评分用于早期预测APOL1高风险基因型个体肾病进展  04.15  naturemedicine

JAMA Network

1、机器学习模型用于预测乳房切除术后乳房重建并发症

Risk Prediction Model for Taxane-Induced Peripheral Neuropathy in Early-Stage Cancer

（1）背景：乳房切除术后乳房重建可改善患者生活质量，但患者常缺乏个体化的并发症风险评估。传统方法难以处理复杂临床数据。本研究利用结构化与非结构化电子健康记录数据，开发机器学习模型，以预测术后一年内主要并发症（计划外再手术或再住院），为医患共同决策提供支持。

（2）结论：本研究开发并内部验证了极端梯度提升（XGBoost）模型，其在测试集中预测主要并发症的AUROC为0.83，AUPRC为0.62，准确率80.59%。主要预测因素包括吸烟、辅助放疗、体重指数、年龄和糖尿病。模型在植入物和自体重建中表现一致，支持个体化风险评估。

THE LANCET

1、利用整合多组学策略发现基于血液的早期妊娠丢失生物标志物

Blood-based biomarker discovery for early pregnancy loss using integrative multi-omics strategies

（1）背景：早期妊娠丢失（EPL）是影响女性健康的严重并发症，目前缺乏可靠的血液生物标志物。本研究通过整合蛋白质组学与代谢组学，筛选EPL相关的血清标志物，并结合机器学习构建预测模型，旨在实现早期流产的早期识别与风险评估

（2）结论：研究筛选出26种蛋白和21种代谢物与EPL显著相关。基于ANGPTL4、PD-L1、中性粒细胞%和淋巴细胞%构建的随机森林模型区分EPL与正常妊娠的AUC达0.944；在外部验证队列中，随机生存森林模型预测EPL的AUC为0.857，C-index为0.804，表现出良好的预测性能。

THE NATURE

1、基于深度学习的数字活检用于预测胃癌早期复发

A deep learning-based digital biopsy for predicting early recurrence in gastric cancer

（1）背景：局部进展期胃癌术后早期复发率高，但传统TNM分期系统难以充分反映肿瘤异质性与复发风险。本研究利用深度学习从常规H&E染色病理切片中提取组织学特征，结合临床变量，构建多模态预测模型RSA（复发分层与评估模型），旨在更准确地预测术后早期复发风险。

（2）结论：RSA模型在训练集及多个内部、外部、前瞻性验证队列中均表现稳健，AUC达0.843–0.887，显著优于传统临床模型。低风险组呈现免疫活化微环境及免疫检查点基因高表达，提示该模型不仅可分层复发风险，还可能指导免疫治疗策略。

2、蛋白质组风险评分用于早期预测APOL1高风险基因型个体肾病进展

Proteomic risk score for early prediction of kidney disease progression in individuals with APOL1 high-risk genotypes

（1）背景：携带APOL1高风险基因型的非洲裔人群发生肾衰竭的风险显著升高，但在慢性肾脏病临床确诊前，缺乏有效的早期预测工具。本研究利用血浆蛋白质组学数据，旨在开发一种能够早期预测该类个体肾病进展的风险评分模型，以填补遗传风险与临床决策之间的空白。

（2）结论：研究基于弹性网络Cox回归，筛选出9种蛋白，构建了APOL1蛋白质组风险评分（APRS）。在eGFR≥60 ml/min/1.73m²的高风险人群中，APRS预测10年复合终点（eGFR下降≥40%、肾衰竭或死亡）的时间依赖性AUC达86.5%，显著优于现有临床方程（KFRE为66.1%），并在外部验证队列中表现稳健（AUC 82-85%）。