1.通過(guò)人工智能預(yù)測(cè)急診科的躁動(dòng)事件  05.07  JAMA Network Open

2.譫妄風(fēng)險(xiǎn)分層的機(jī)器學(xué)習(xí)多模態(tài)模型  05.07  JAMA Network Open

1.預(yù)測(cè)非計(jì)劃住院癌癥患者的 90 天死亡率：三種預(yù)后評(píng)分的回顧性驗(yàn)證研究  05.08  The Lancet Regional Health - Europe

2.FaceAge，一種通過(guò)面部照片估計(jì)生物年齡以改善預(yù)測(cè)的深度學(xué)習(xí)系統(tǒng)：一項(xiàng)模型開(kāi)發(fā)和驗(yàn)證研究  05.08  The Lancet. Digital health

1.Health Octo 工具將個(gè)性化健康與衰老速度進(jìn)行匹配  05.05  Nature Communications

2.中國(guó)妊娠期糖尿病的遺傳結(jié)構(gòu)和風(fēng)險(xiǎn)預(yù)測(cè)  05.05  Nature Communications

3.耳鳴風(fēng)險(xiǎn)因素及其隨時(shí)間的變化  05.07  Nature Communications

4.基于機(jī)器學(xué)習(xí)的薈萃分析揭示了與帕金森病相關(guān)的腸道微生物組改變  05.07  Nature Communications

1.通過(guò)人工智能預(yù)測(cè)急診科的躁動(dòng)事件

Predicting Agitation Events in the Emergency Department Through Artificial Intelligence

（1）目的：該研究旨在開(kāi)發(fā)并驗(yàn)證一種基于人工智能的預(yù)測(cè)模型，以在急診科（ED）環(huán)境中提前識(shí)別可能發(fā)生激越事件（如需要化學(xué)鎮(zhèn)靜或暴力約束）的患者。

（2）結(jié)論：通過(guò)對(duì)美國(guó)東北部9家醫(yī)院超過(guò)304萬(wàn)次急診就診數(shù)據(jù)的分析，研究團(tuán)隊(duì)成功開(kāi)發(fā)了一個(gè)包含50個(gè)預(yù)測(cè)因子的AI模型。該模型在外部驗(yàn)證中表現(xiàn)出色，受試者工作特征曲線下面積（AUROC）達(dá)0.94，精準(zhǔn)召回曲線下面積（PR-AUC）為0.41，表明其具備高區(qū)分能力和臨床實(shí)用性。

2.譫妄風(fēng)險(xiǎn)分層的機(jī)器學(xué)習(xí)多模態(tài)模型

Machine Learning Multimodal Model for Delirium Risk Stratification

（1）目的：該研究旨在開(kāi)發(fā)并驗(yàn)證一種結(jié)合電子病歷（EMR）數(shù)據(jù)和自然語(yǔ)言處理（NLP）技術(shù)的多模態(tài)機(jī)器學(xué)習(xí)模型，用于在實(shí)時(shí)臨床實(shí)踐中自動(dòng)化分層住院患者的譫妄風(fēng)險(xiǎn)，并評(píng)估其對(duì)臨床工作流程和結(jié)局的影響。

（2）結(jié)論：該研究成功開(kāi)發(fā)并驗(yàn)證了一種多模態(tài)機(jī)器學(xué)習(xí)模型，其在實(shí)時(shí)臨床驗(yàn)證中表現(xiàn)出優(yōu)異的性能（AUROC為0.94），顯著提高了譫妄檢測(cè)率（從部署前的4.42%提升至17.17%），并減少了苯二氮卓類(lèi)藥物（中位劑量從1.60降至0.93地西泮當(dāng)量）和奧氮平（中位劑量從2.50 mg降至1.09 mg）的日均使用劑量。

1.預(yù)測(cè)非計(jì)劃住院癌癥患者的 90 天死亡率：三種預(yù)后評(píng)分的回顧性驗(yàn)證研究

Prediction of 90-day mortality among cancer patients with unplanned hospitalisation: a retrospective validation study of three prognostic scores

（1）背景：本研究旨在土耳其人群中驗(yàn)證PROMISE評(píng)分的外部效能，并探索其與CTI、GRIm的組合應(yīng)用，以提升短期死亡率預(yù)測(cè)的準(zhǔn)確性，優(yōu)化臨床決策。

（2）解釋?zhuān)涸撗芯考{入1109例非計(jì)劃住院的晚期癌癥患者，驗(yàn)證發(fā)現(xiàn)PROMISE和CTI評(píng)分對(duì)90天死亡率具有獨(dú)立預(yù)測(cè)價(jià)值，高風(fēng)險(xiǎn)組死亡率分別為58.8%和60.0%，且低風(fēng)險(xiǎn)組生存率顯著更高（PROMISE低風(fēng)險(xiǎn)組死亡率2.5%）。GRIm評(píng)分未顯示顯著關(guān)聯(lián)。結(jié)合PROMISE與CTI的復(fù)合評(píng)分（PROMISE-CTI）AUC達(dá)0.884，敏感性和特異性分別為92.4%和81.1%，較單一評(píng)分更優(yōu)，尤其在識(shí)別低風(fēng)險(xiǎn)患者（陰性預(yù)測(cè)值89.6%）方面表現(xiàn)突出。

2.FaceAge，一種通過(guò)面部照片估計(jì)生物年齡以改善預(yù)測(cè)的深度學(xué)習(xí)系統(tǒng)：一項(xiàng)模型開(kāi)發(fā)和驗(yàn)證研究

FaceAge, a deep learning system to estimate biological age from face photographs to improve prognostication: a model development and validation study

（1）背景：本研究旨在開(kāi)發(fā)并驗(yàn)證一種深度學(xué)習(xí)系統(tǒng)FaceAge，通過(guò)標(biāo)準(zhǔn)化分析面部照片估計(jì)生物年齡，以提升癌癥患者的生存預(yù)測(cè)精度，并為治療決策提供客觀依據(jù)。

（2）解釋?zhuān)耗Ｐ筒捎眉?jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行面部定位和特征提取，結(jié)果顯示其在60歲以上人群中的平均絕對(duì)誤差為4.09年。生存分析表明，F(xiàn)aceAge估計(jì)值較實(shí)際年齡能更顯著地分層患者生存風(fēng)險(xiǎn)（如泛癌隊(duì)列中每十年風(fēng)險(xiǎn)比HR=1.151，p=0.013），且癌癥患者的FaceAge平均比實(shí)際年齡高4.79年（p<0.0001）。在姑息治療場(chǎng)景中，結(jié)合FaceAge的預(yù)測(cè)模型將醫(yī)生對(duì)6個(gè)月生存率的AUC從0.74提升至0.80（p<0.0001），顯著優(yōu)化臨床決策。

1.Health Octo 工具將個(gè)性化健康與衰老速度進(jìn)行匹配

Health octo tool matches personalized health with rate of aging

（1）介紹：該文章旨在解決傳統(tǒng)醫(yī)療實(shí)踐中對(duì)多病共存及衰老多維性評(píng)估不足的問(wèn)題。其核心目標(biāo)是超越傳統(tǒng)衰弱指數(shù)（Frailty Index），提供更精準(zhǔn)的健康評(píng)估框架，為個(gè)性化醫(yī)療和健康干預(yù)提供科學(xué)依據(jù)。

（2）結(jié)果：研究證實(shí)，Health Octo Tool在預(yù)測(cè)殘疾、老年綜合征、身體功能下降（如SPPB評(píng)分）及死亡率方面表現(xiàn)出色（準(zhǔn)確率≥90%），顯著優(yōu)于傳統(tǒng)衰弱指數(shù)。

 2.中國(guó)妊娠期糖尿病的遺傳結(jié)構(gòu)和風(fēng)險(xiǎn)預(yù)測(cè)

Genetic architecture and risk prediction of gestational diabetes mellitus in Chinese pregnancies

（1）介紹：本研究旨在通過(guò)大規(guī)模全基因組關(guān)聯(lián)研究（GWAS）揭示中國(guó)孕婦妊娠期糖尿?。℅DM）的遺傳結(jié)構(gòu)，并開(kāi)發(fā)基于遺傳和臨床數(shù)據(jù)的早期預(yù)測(cè)模型。

（2）結(jié)果：該研究發(fā)現(xiàn)了13個(gè)GDM新遺傳位點(diǎn)和111個(gè)與妊娠期血糖性狀相關(guān)的位點(diǎn)，其中約50%的位點(diǎn)為GDM或妊娠期特有，與東亞人群T2D及非妊娠期血糖性狀存在顯著差異。通過(guò)整合PRS與孕早期臨床數(shù)據(jù)（如空腹血糖、BMI、年齡），機(jī)器學(xué)習(xí)模型在驗(yàn)證隊(duì)列中實(shí)現(xiàn)了AUC 0.729和準(zhǔn)確率0.835的預(yù)測(cè)性能，顯著優(yōu)于僅依賴(lài)臨床指標(biāo)的模型。

 3.耳鳴風(fēng)險(xiǎn)因素及其隨時(shí)間的變化

Tinnitus risk factors and its evolution over time

（1）介紹：本研究旨在通過(guò)分析大規(guī)模生物醫(yī)學(xué)數(shù)據(jù)，識(shí)別主觀耳鳴（無(wú)外部聲源的聽(tīng)覺(jué)感知）的存在和嚴(yán)重程度的風(fēng)險(xiǎn)因素，并探究這些因素如何隨時(shí)間影響耳鳴的發(fā)展。

（2）結(jié)果：研究發(fā)現(xiàn)，嚴(yán)重程度模型能有效預(yù)測(cè)個(gè)體在9年內(nèi)從輕度耳鳴發(fā)展為重度耳鳴的趨勢(shì)（效應(yīng)量Cohen’s d=1.3，ROC-AUC=0.78），而耳鳴存在模型無(wú)法預(yù)測(cè)其隨時(shí)間的變化。研究進(jìn)一步開(kāi)發(fā)了僅包含6項(xiàng)問(wèn)題的簡(jiǎn)化問(wèn)卷（POST），涵蓋聽(tīng)力、睡眠及心理健康指標(biāo)，經(jīng)驗(yàn)證在TRI隊(duì)列中表現(xiàn)出良好的預(yù)測(cè)效能（重度耳鳴進(jìn)展的ROC-AUC=0.94）。

 4.基于機(jī)器學(xué)習(xí)的薈萃分析揭示了與帕金森病相關(guān)的腸道微生物組改變

Machine learning-based meta-analysis reveals gut microbiome alterations associated with Parkinson’s disease

（1）介紹：該研究旨在通過(guò)大規(guī)模機(jī)器學(xué)習(xí)元分析，系統(tǒng)評(píng)估腸道微生物組在帕金森?。≒D）中的診斷潛力，并明確其與PD相關(guān)的分類(lèi)和功能特征。

（2）結(jié)果：研究發(fā)現(xiàn)，基于單個(gè)數(shù)據(jù)集的機(jī)器學(xué)習(xí)模型在內(nèi)部驗(yàn)證中表現(xiàn)出色（平均AUC 71.9%），但跨研究泛化能力有限（平均AUC 61%），表明研究間存在顯著異質(zhì)性。通過(guò)整合多數(shù)據(jù)集訓(xùn)練的模型泛化性提升（LOSO AUC 68%），且對(duì)阿爾茨海默病和多發(fā)性硬化癥的誤診率較低（FPR 18.7%）。