06.22-06.28 临床预测模型研究顶刊快报

1、主动脉缩窄中以指南为导向管理下高血压与再狭窄的预测：机器学习模型的开发与验证

Prediction of hypertension and restenosis under guideline-directed management in aortic coarctation: development and validation of machine learning models

（1）背景：主动脉缩窄是年轻人群高血压的重要病因，即使接受指南导向的规范管理，仍有约三分之一的患者发生再狭窄，且高血压可持续存在，增加远期心血管事件风险。目前缺乏针对先天性心脏病的成熟风险预测工具，而机器学习结合常规临床、超声及心脏磁共振等多模态数据，有望提升个体化风险评估能力，优化随访策略。

（2）结论：本研究开发并验证了多种机器学习模型，在验证队列中预测再狭窄干预和主动脉手术的ROC AUC均达0.90，预测持续性高血压的AUC为0.84。关键预测因子包括峰值多普勒压差、访视间隔时间及心室容积指数。降压治疗与再狭窄风险降低相关。在线计算器整合指南阈值与个体化概率，辅助临床决策。

2、童年至成年早期自杀未遂的发展预测因子：一项15年前瞻性队列研究

Developmental predictors of suicide attempts from childhood to early adulthood: a 15-year prospective cohort study

（1）背景：自杀未遂在儿童青少年中常见且复发率高，是自杀死亡的最强预测因子，但其发展性前因仍不明确，尤其缺乏中低收入国家的纵向证据。本研究利用巴西高风险队列15年随访数据，整合遗传、围产期、家庭、逆境、认知及临床等多域基线因素，探究其对自杀未遂发生、时机及频次的预测价值。

（2）结论：多变量模型显示，女性、童年威胁暴露、照护者自杀未遂史及儿童外化障碍是自杀未遂的独立预测因子，人群归因分数较高。抑郁多基因风险评分与围产期因素主要关联未遂频次及致死性。然而，即使纳入多域预测因子，模型区分度仍有限（平均AUC约0.665），提示静态远端因素难以精准个体化预测，自杀预防应更多依托人群层面的结构性和可干预策略。

3、预测符合条件的英国他汀治疗人群中严重肌肉疾病风险：临床预测模型的推导与验证

Predicting the risk of serious muscle disorders in individuals eligible for statin treatment in England: derivation and validation of a clinical prediction model

（1）背景：他汀是心血管疾病一级预防的基石药物，但患者对肌肉不良反应的普遍担忧严重影响了用药依从性。目前缺乏针对严重肌肉不良事件的个体化风险预测工具，难以在临床决策中量化他汀治疗的获益-风险平衡。本研究旨在为符合他汀治疗条件的人群开发并验证严重肌肉疾病的风险预测模型。

（2）结论：基于178.5万例训练集和388.9万例外部队列，最终模型纳入22个预测因子（包括他汀处方），10年预测C-index为0.782，校准良好，净获益优于现有决策策略。99.6%的人群10年风险低于10%。该模型可与他汀心血管获益预测工具联用，辅助医患进行个体化共享决策，避免因过度担忧而错误停药或拒药。