04.27-05.05 临床预测模型研究顶刊快报

1、用于精准补充筛查的深度学习乳腺癌风险模型  05.04 JAMA Network Open

2、MySurgeryRisk模型对术后并发症和死亡率的预测  04.29  JAMA Surgery

THE LANCET  2026/04/27-2026/05/05

1、利用机器学习方法预测学术群体中的自杀意念：一项横断面研究  04.30  THE LANCET Regional Health

1、用于精准补充筛查的深度学习乳腺癌风险模型

A Deep Learning Breast Cancer Risk Model for Precise Supplemental Screening

（1）背景：美国自2024年起立法要求告知女性乳腺密度（致密 vs. 非致密），并据此决定是否推荐补充筛查。然而，该指标为二分类、主观评估且仅能解释部分风险。本文旨在验证深度学习（DL）风险模型（Mirai）是否比传统乳腺密度更能准确预测未来乳腺癌风险和假阴性结果。

（2）结论：在一个包括12.3万余次筛查的回顾性队列中，DL模型的预测性能（AUROC 0.71）显著优于乳腺密度（AUROC 0.53），并能更细致地分层假阴性风险。研究认为，DL风险模型可作为更精准、公平的替代指标，指导补充筛查政策的制定，取代以密度为准的二元标准。

2、MySurgeryRisk模型对术后并发症和死亡率的预测

MySurgeryRisk Model Predictions of Postoperative Complications and Mortality

（1）背景：尽管手术技术不断进步，术后并发症仍发生率高达15%。传统风险评估模型多基于有限变量或单中心数据，普适性受限。本文旨在验证将原本在单中心开发并验证的MySurgeryRisk框架应用于覆盖14个医疗机构的大型多中心数据集后，能否在不降低预测性能的前提下提升模型的泛化能力。

（2）结论：基于50万余例手术的多中心数据，MySurgeryRisk模型对ICU入院、机械通气、急性肾损伤和院内死亡的预测AUROC达0.92–0.95，性能与既往单中心版本相当。手术类型和临床医师相关因素是最重要的预测变量。该模型实现了准确、可泛化的术后并发症风险预测。

1、利用机器学习方法预测学术群体中的自杀意念：一项横断面研究

Predicting suicidal ideation in academic communities using machine learning methods: a cross-sectional study

（1）背景：自杀意念（SI）是自杀行为的关键前兆，在学术群体中发病率较高。尽管抑郁与SI密切相关，但SI也可在抑郁症状较轻时出现，提示其他因素的作用。本研究旨在利用机器学习模型，综合抑郁、乐观、孤独感、童年情感虐待及人口学特征，预测学术人群中的SI风险。

（2）结论：采用多核学习（MKL）等算法，模型能有效区分有无SI的个体，平均平衡准确率达77.61%，AUC为0.862。抑郁症状权重最大（46.8%），但乐观、孤独感、童年情感虐待及人口学特征合计贡献约一半权重。研究表明，SI筛查应超越抑郁，纳入多维心理与行为因素。