1.在沒(méi)有酒精測(cè)量的情況下調(diào)整肝細(xì)胞癌的風(fēng)險(xiǎn)評(píng)分

Adaptation of Risk Score for Hepatocellular Carcinoma Without Alcohol Measures

(1)目的：評(píng)估并開(kāi)發(fā)一種改進(jìn)的肝細(xì)胞癌（HCC）風(fēng)險(xiǎn)預(yù)測(cè)模型，使其在缺乏酒精使用詳細(xì)數(shù)據(jù)，如酒精使用障礙識(shí)別測(cè)試-消費(fèi)（AUDIT-C）或酒精使用障礙病史的初級(jí)保健或外部驗(yàn)證隊(duì)列中仍能有效識(shí)別高?；颊摺?

(2)結(jié)論：研究的結(jié)果表明，微調(diào)的LLM模型可以預(yù)測(cè)手術(shù)病例長(zhǎng)度，其準(zhǔn)確性與當(dāng)前的機(jī)構(gòu)調(diào)度方法相當(dāng)或超過(guò)。這表明LLM模型有可能通過(guò)使用現(xiàn)有臨床文檔改進(jìn)病例長(zhǎng)度預(yù)測(cè)來(lái)提高手術(shù)室效率。

 2.急診科的兒童自殺風(fēng)險(xiǎn)

Childhood Suicide Risk in the Emergency Department

(1)目的：量化美國(guó)急診室就診兒童的自殺念頭和行為（STB）發(fā)生率，并確定因STB而再次急診就診的危險(xiǎn)因素。

(2)結(jié)論：自殺風(fēng)險(xiǎn)在兒童中很常見(jiàn)，但研究仍然不足。早期自殺風(fēng)險(xiǎn)與復(fù)發(fā)性STB相關(guān)，尤其是在急診科出院后的幾個(gè)月內(nèi)。了解兒童的風(fēng)險(xiǎn)和保護(hù)因素可以加強(qiáng)急診室篩查、干預(yù)和后續(xù)護(hù)理。

1.使用單血統(tǒng)和多血統(tǒng)模型評(píng)估基于人群的西班牙裔隊(duì)列中阿爾茨海默病的多基因風(fēng)險(xiǎn)評(píng)分預(yù)測(cè)性能

Evaluating polygenic risk score prediction performance for Alzheimer's disease in a population-based Hispanic cohort using single- and multi-ancestry models

(1)背景：多基因風(fēng)險(xiǎn)評(píng)分（PRS）可有效預(yù)測(cè)歐洲人患阿爾茨海默?。ˋD）的風(fēng)險(xiǎn)，但在西班牙裔中研究不足?；诙嘌y(tǒng)的全基因組關(guān)聯(lián)研究（GWAS）可以改善PRS預(yù)測(cè)。我們使用來(lái)自最大的可用非洲、歐洲和西班牙裔人群的 GWAS數(shù)據(jù)，并使用新方法進(jìn)行PRS分析，以評(píng)估單血統(tǒng)和多血統(tǒng)PRS模型在預(yù)測(cè)西班牙裔人群AD風(fēng)險(xiǎn)方面的表現(xiàn)。

(2)解釋：將新型多血統(tǒng)PRS方法（例如PROSPER/PRS-CSx）與跨血統(tǒng)的GWAS相結(jié)合，可以提高西班牙裔人群中AD風(fēng)險(xiǎn)的預(yù)測(cè)準(zhǔn)確性。載脂蛋白-E（APOE）和PRS可能指向AD的不同生物學(xué)方面。

1.基于大語(yǔ)言模型的大規(guī)模人群生物年齡預(yù)測(cè)

Large language model-based biological age prediction in large-scale populations

(1)摘要：準(zhǔn)確、便捷地評(píng)估個(gè)體衰老對(duì)于識(shí)別健康風(fēng)險(xiǎn)和預(yù)防衰老相關(guān)疾病至關(guān)重要。盡管如此，當(dāng)前的老齡化代理經(jīng)常面臨方法學(xué)限制、與不良后果關(guān)聯(lián)較弱以及普遍性有限等挑戰(zhàn)。提出了一個(gè)框架，該框架利用大型語(yǔ)言模型 （LLM）僅使用健康檢查報(bào)告來(lái)估計(jì)個(gè)人的整體和器官特異性衰老。在六個(gè)基于人群的隊(duì)列中驗(yàn)證了這種方法，涵蓋超過(guò)1000萬(wàn)參與者，并證明了有效性和可靠性。結(jié)果表明，LLM模型預(yù)測(cè)的總年齡在全因死亡率方面達(dá)到了 0.757（95% CI 0.752–0.761）的一致性指數(shù)（C指數(shù)），顯著優(yōu)于其他衰老代理，例如端粒長(zhǎng)度、衰弱指數(shù)、八個(gè)表觀遺傳年齡和四個(gè)機(jī)器學(xué)習(xí)模型預(yù)測(cè)?？傮w年齡差距與多種與衰老相關(guān)的表型和健康結(jié)果密切相關(guān)，顯示全因死亡率的風(fēng)險(xiǎn)比為1.055（95% CI 1.050–1.060）。對(duì)于器官特異性衰老，與機(jī)器學(xué)習(xí)模型相比，LLM模型預(yù)測(cè)的年齡和年齡差距在預(yù)測(cè)相應(yīng)的器官特異性疾病方面也表現(xiàn)出優(yōu)異的性能。此外，還研究了法學(xué)碩士的動(dòng)態(tài)衰老評(píng)估能力，并應(yīng)用年齡差距來(lái)識(shí)別與加速衰老相關(guān)的蛋白質(zhì)組生物標(biāo)志物，并開(kāi)發(fā)270種疾病的風(fēng)險(xiǎn)預(yù)測(cè)模型。還進(jìn)行了可解釋性分析，以探索法學(xué)碩士的決策過(guò)程。總之，基于法學(xué)碩士的衰老評(píng)估框架提供了一種精確、可靠且經(jīng)濟(jì)高效的方法來(lái)估計(jì)整體和器官特異性衰老。它具有在大規(guī)模普通人群中進(jìn)行個(gè)性化衰老評(píng)估和健康管理的潛力。

2.阿爾茨海默病遺傳學(xué)中的機(jī)器學(xué)習(xí)

Machine learning in Alzheimer’s disease genetics

(1)摘要：傳統(tǒng)的統(tǒng)計(jì)方法增進(jìn)了我們對(duì)復(fù)雜疾病遺傳學(xué)的理解，但僅限于線性加性模型。在這里，我們將機(jī)器學(xué)習(xí)（ML）應(yīng)用于歐洲最大的阿爾茨海默?。ˋD）聯(lián)盟中41,686名個(gè)體的全基因組數(shù)據(jù)，以研究各種ML算法在復(fù)制已知發(fā)現(xiàn)、發(fā)現(xiàn)新位點(diǎn)和預(yù)測(cè)處于危險(xiǎn)中的個(gè)體方面的有效性。我們利用梯度提升機(jī)（GBM）、生物途徑信息神經(jīng)網(wǎng)絡(luò)（NN）和基于模型的多因素降維（MB-MDR）模型。ML方法成功捕獲了訓(xùn)練集中確定的所有全基因組顯著遺傳變異，以及來(lái)自大型薈萃分析的22%的關(guān)聯(lián)。他們重點(diǎn)介紹了在外部數(shù)據(jù)集中復(fù)制的6個(gè)新位點(diǎn)，包括映射到ARHGAP25、LY6H、COG7、SOD1和ZNF597的變體。他們進(jìn)一步確定了AP4E1中的新關(guān)聯(lián)，完善了已知SPPL2A基因座的遺傳景觀。我們的結(jié)果表明，機(jī)器學(xué)習(xí)方法可以實(shí)現(xiàn)與遺傳流行病學(xué)經(jīng)典方法相當(dāng)?shù)念A(yù)測(cè)性能，并有可能發(fā)現(xiàn)傳統(tǒng)GWAS未檢測(cè)到的新位點(diǎn)。這些見(jiàn)解為增進(jìn)對(duì)AD遺傳學(xué)的理解提供了補(bǔ)充途徑。