1. 美國陸軍基礎戰(zhàn)斗學員肌肉骨骼損傷危險因素模型  6.2  JAMA Network Open 

2. 專用AI專家系統(tǒng)與具有大型語言模型的生成式AI在臨床診斷中的應用  5.29  JAMA Network Open 

3. 用于預測住院兒童危急事件的機器學習  5.30   JAMA Network Open 

1. 使用基于transformer的風險模型對預防性心血管疾病治療的個體進行精細選擇   6.2  The Lancet Digital Health

2. 預測獻血后鐵恢復的機器學習模型：模型開發(fā)和外部驗證研究  6月  The Lancet Haematology

3. 預測急診科兒科肺炎的嚴重程度：兒科急診研究網絡的多國前瞻性隊列研究  6月  The Lancet Child & Adolescent Health

4. 深度學習預測導管原位癌浸潤性復發(fā)：利用組織病理學圖像和臨床特征  5.28  eBioMedicine

5. 使用臨床多對比腦部MRI自動識別帕金森?。阂环N大型自我監(jiān)督視覺基礎模型策略  5.26  eBioMedicine

1. 用于膿毒癥床旁預測的機器學習和離心微流控平臺  5.27  Nature Communications

1. 美國陸軍基礎戰(zhàn)斗學員肌肉骨骼損傷危險因素模型

Model for Musculoskeletal Injury Risk Factors Among US Army Basic Combat Trainees

(1) 目的：為軍事領導人、文職和軍事臨床醫(yī)生以及體能訓練教官提供肌肉骨骼損傷（MSKI）風險模型，用于識別開始美國陸軍基礎戰(zhàn)斗訓練（BCT）或體能訓練計劃的個人中的低、中和高風險特征。

(2) 結論：該隊列研究提出了一種分層方法，用于在體能訓練計劃開始之前識別MSKI風險增加的人。應用分層量化風險指標并結合來自這些發(fā)現(xiàn)的多因素干預措施可能在降低MSKI風險方面發(fā)揮作用。

 2. 專用AI專家系統(tǒng)與具有大型語言模型的生成式AI在臨床診斷中的應用

Dedicated AI Expert System vs Generative AI With Large Language Model for Clinical Diagnoses

(1) 目的：比較2種廣泛使用的大型語言模型（LLM）在36例未發(fā)表的普通醫(yī)學病例上的性能。

(2) 結論：在這項診斷研究中，比較了傳統(tǒng)DDSS（DXplain [以下簡稱 DDSS]）和當前LLM在未發(fā)表的臨床病例上的性能，在大多數(shù)情況下，如果包括實驗室測試結果，每個系統(tǒng)都會將病例診斷列在其前25個診斷中。將LLM的解析和說明性語言能力與傳統(tǒng)DDSS的確定性和解釋性能力相結合的混合方法可能會產生協(xié)同效益。

 3. 用于預測住院兒童危急事件的機器學習

Machine Learning for Predicting Critical Events Among Hospitalized Children

(1) 目的：開發(fā)一個機器學習模型，用于早期檢測所有病房的惡化，從而在患者的整個住院期間實現(xiàn)統(tǒng)一的風險評估。

(2) 結論：這項回顧性隊列研究描述了一種新的全院模型的開發(fā)，用于在兒童的整個住院期間持續(xù)預測危重事件的風險。該模型為兒科醫(yī)院的風險評估建立了一個統(tǒng)一的框架。

1. 使用基于transformer的風險模型對預防性心血管疾病治療的個體進行精細選擇

Refined selection of individuals for preventive cardiovascular disease treatment with a transformer-based risk model

(1) 背景：盡管統(tǒng)計模型通常用于識別有心血管疾病風險的患者進行預防性治療，但這些模型往往過度推薦治療。此外，在已有疾病的人群中，目前的方法是不分青紅皂白地治療所有人，因為在這種情況下進行建模目前是不充分的。本研究旨在開發(fā)和驗證基于Transformer的風險評估生存（TRisk）模型，這是一種新穎的深度學習模型，用于預測一級預防人群和糖尿病患者的10年心血管疾病風險。

(2) 解釋：與基準方法相比，TRisk能夠在一級預防人群和糖尿病隊列中更有針對性地選擇有心血管疾病風險的個體。將TRisk納入常規(guī)護理可能會使符合治療條件的患者數(shù)量減少約三分之一，同時至少防止與目前采用的方法一樣多的事件。

 2. 預測獻血后鐵恢復的機器學習模型：模型開發(fā)和外部驗證研究

Machine-learning models to predict iron recovery after blood donation: a model development and external validation study

(1) 背景：直接預測獻血后鐵生物標志物的機器學習模型可能有助于管理與獻血相關的鐵缺乏癥并避免低血紅蛋白延遲。此類模型尚未在國際上得到外部驗證。我們的目標是開發(fā)和外部驗證機器學習模型，以預測回歸獻血者的血紅蛋白和鐵蛋白。

(2) 解釋：預測回報捐獻時血紅蛋白和鐵蛋白的機器學習模型在不同環(huán)境中普遍性良好，并且可以實現(xiàn)個體化方法來管理鐵缺乏癥，同時保持足夠的血液供應。

 3. 預測急診科兒科肺炎的嚴重程度：兒科急診研究網絡的多國前瞻性隊列研究

Risk stratified treatment for childhood acute lymphoblastic leukaemia: a multicentre observational study from India

(1) 目的：在資源豐富的地區(qū)，用于兒科社區(qū)獲得性肺炎（CAP）的風險分層工具很少。我們前瞻性地開發(fā)了模型來預測兒科急診科（EDs）跨國隊列中的CAP嚴重程度。主要目標是開發(fā)一個風險預測模型來區(qū)分輕度CAP和中度或重度CAP，以幫助臨床醫(yī)生確定住院需求。

(2) 解釋：在CAP兒童中開發(fā)了準確、實用的嚴重性風險預測模型。在未來的外部驗證之后，這些模型有可能提供個體化的風險評估，這些評估可以納入資源充足的衛(wèi)生系統(tǒng)的臨床判斷中，以改善管理。

 4. 深度學習預測導管原位癌浸潤性復發(fā)：利用組織病理學圖像和臨床特征

Deep learning for predicting invasive recurrence of ductal carcinoma in situ: leveraging histopathology images and clinical features

(1) 背景：導管原位癌（DCIS）可進展為同側浸潤性乳腺癌（IBC），但如果不治療，超過75%的DCIS病變不會進展。目前，無法可靠地識別可能進展為IBC的DCIS。因此，大多數(shù)DCIS患者接受類似于IBC的治療。為了便于識別低風險DCIS，我們使用組織學全玻片圖像（WSI）和臨床病理數(shù)據(jù)開發(fā)了深度學習模型。

(2) 解釋：使用常規(guī)處理的WSI的深度學習模型有望實現(xiàn)DCIS風險分層，而整合臨床數(shù)據(jù)的好處值得進一步研究。獲得更大、高質量的外部多中心數(shù)據(jù)集將非常有價值，因為這些模型的成功推廣可以證明它們通過對低風險女性進行主動監(jiān)測來減少DCIS過度治療的潛力。

 5. 使用臨床多對比腦部MRI自動識別帕金森?。阂环N大型自我監(jiān)督視覺基礎模型策略

Automatic identification of Parkinsonism using clinical multi-contrast brain MRI: a large self-supervised vision foundation model strategy

(1) 背景：迫切需要帕金森病（PD）和帕金森加綜合征（PPS）的有效無創(chuàng)生物標志物?；谖覀冏罱淖晕冶O(jiān)督視覺基礎模型Shift Window UNET TRansformer（Swin UNETR），它使用臨床多重對比全腦MRI，我們的目標是開發(fā)一個高效實用的模型（'SwinClassifier'），用于使用常規(guī)臨床MRI掃描來區(qū)分PD與PPS。

(2) 解釋：我們基于常規(guī)臨床頭部 MRI的自我監(jiān)督數(shù)字模型區(qū)分了PD與PPS，具有良好的準確性和敏感性。隨著逐步改善，該方法可能在疾病早期的診斷上有用。

1. 用于膿毒癥床旁預測的機器學習和離心微流控平臺

A machine learning and centrifugal microfluidics platform for bedside prediction of sepsis

(1) 摘要：膿毒癥是一種危及生命的器官功能障礙，是由于對感染的反應功能障礙所致。診斷延遲對生存有重大影響。在此，來自586名疑似膿毒癥的內部患者的血液樣本與機器學習和交叉驗證相結合，以定義免疫細胞重編程的六基因表達特征，稱為Sepset，以預測臨床表現(xiàn)前24小時（h）內的臨床惡化。預測準確性（早期重癥監(jiān)護病房（ICU）為~90%，急診室患者為70%）在來自現(xiàn)有獨立隊列的3178名患者中得到驗證。基于RT-PCR的Sepset檢測試驗顯示，248例患者預測前24小時內序貫器官衰竭評估評分惡化的敏感性為94%。測試了一種自動檢測全血Sepset分類器的獨立離心微流體儀器，結果顯示，在識別疑似膿毒癥患者臨床惡化風險方面的敏感性為92%，特異性為89%。