1.重新設(shè)計(jì)機(jī)器學(xué)習(xí)表型以適應(yīng)不斷變化的 COVID-19 形勢(shì)：N3C 和 RECOVER 聯(lián)盟的機(jī)器學(xué)習(xí)建模研究

Re-engineering a machine learning phenotype to adapt to the changing COVID-19 landscape: a machine learning modelling study from the N3C and RECOVER consortia

（1）背景：本文旨在解決早期機(jī)器學(xué)習(xí)模型（LCM 1.0）在識(shí)別長(zhǎng)期COVID患者時(shí)的局限性。該模型依賴急性COVID-19感染日期作為分析錨點(diǎn)，無(wú)法適應(yīng)2022年后疫情環(huán)境的變化：家庭自測(cè)普及導(dǎo)致電子健康記錄數(shù)據(jù)缺失、重復(fù)感染增加、以及U09.9診斷代碼使用率上升。為此，研究者通過N3C和RECOVER聯(lián)盟的數(shù)據(jù)，重新設(shè)計(jì)模型（LCM 2.0），采用重疊的100天時(shí)間窗口動(dòng)態(tài)評(píng)估患者狀態(tài)，并引入對(duì)重復(fù)感染期間數(shù)據(jù)的智能刪失。新模型摒棄了對(duì)急性感染日期的依賴，可覆蓋家庭自測(cè)未就診、疑似未確診、重復(fù)感染等復(fù)雜病例，確保在疫情演變中維持識(shí)別準(zhǔn)確性。

（2）解釋：該研究的結(jié)論是，重新設(shè)計(jì)的機(jī)器學(xué)習(xí)模型（LCM 2.0）在性能上與早期版本相似（AUC 0.90），但顯著提升了適應(yīng)性和實(shí)用性，估計(jì)COVID-19陽(yáng)性人群中長(zhǎng)COVID的總體流行率為10.4%。模型通過XGBoost算法訓(xùn)練，使用重疊時(shí)間窗口和特征優(yōu)化（如將SNOMED代碼聚合為9623個(gè)父概念，并篩選top 200特征），有效地處理了家庭測(cè)試和再次感染帶來(lái)的數(shù)據(jù)挑戰(zhàn)。閾值選擇為0.9（基于Youden Index最大化），確保了高特異性，但允許調(diào)整以平衡精度和召回率，適用于不同應(yīng)用場(chǎng)景如臨床試驗(yàn)招募或隊(duì)列分析。歷史對(duì)照實(shí)驗(yàn)顯示假陽(yáng)性率約為7.5%，這進(jìn)一步驗(yàn)證了模型的可靠性，同時(shí)模型分?jǐn)?shù)分布表明COVID-19時(shí)期的分?jǐn)?shù)顯著高于疫情前，突顯了其捕捉真實(shí)長(zhǎng)COVID病例的能力。

2.脊柱疼痛或創(chuàng)傷患者脊柱骨折的診斷預(yù)測(cè)模型：系統(tǒng)評(píng)價(jià)和薈萃分析

Diagnostic prediction models for spinal fractures in individuals with spinal pain or trauma: a systematic review and meta-analysis

（1）背景：該研究旨在通過系統(tǒng)綜述和薈萃分析，評(píng)估多變量診斷預(yù)測(cè)模型在識(shí)別脊柱疼痛或創(chuàng)傷患者中脊柱骨折的性能和臨床適用性。由于脊柱骨折的診斷依賴影像學(xué)檢查，但過度使用可能導(dǎo)致輻射暴露、費(fèi)用增加及診療延誤。現(xiàn)有模型雖被推薦用于篩查，但其準(zhǔn)確性、校準(zhǔn)度及臨床應(yīng)用價(jià)值尚不明確。研究通過全面檢索文獻(xiàn)，納入27項(xiàng)研究中的34個(gè)模型，使用CHARMS清單提取數(shù)據(jù)、PROBAST工具評(píng)估偏倚風(fēng)險(xiǎn)，并采用GRADE框架評(píng)價(jià)證據(jù)質(zhì)量，最終對(duì)比不同脊柱區(qū)域和骨折類型模型的性能差異。

（2）解釋：加拿大頸椎規(guī)則在急診環(huán)境中篩查創(chuàng)傷性頸椎骨折表現(xiàn)出高敏感性（0.999; 95% CI 0.976–1），但特異性極低（0.188; 95% CI 0.063–0.443），且證據(jù)質(zhì)量極低（GRADE評(píng)級(jí)）。其高陰性似然比（0.007）支持其作為排除工具的價(jià)值，但陽(yáng)性結(jié)果的診斷意義有限（陽(yáng)性似然比1.230）。

3.基于深度學(xué)習(xí)的縱向多區(qū)域超聲預(yù)測(cè)乳腺癌患者腋窩病理完全緩解

Deep learning-based prediction of axillary pathological complete response in patients with breast cancer using longitudinal multiregional ultrasound

（1）背景：該研究旨在開發(fā)并驗(yàn)證一種基于深度學(xué)習(xí)的多模態(tài)超聲模型，用于預(yù)測(cè)接受新輔助治療的腋窩淋巴結(jié)陽(yáng)性乳腺癌患者的腋窩病理完全緩解。研究團(tuán)隊(duì)提出了一種創(chuàng)新的信息共享-私有學(xué)習(xí)框架，通過整合縱向原發(fā)腫瘤和腋窩淋巴結(jié)的超聲圖像，提取其共性與特異性特征，以解決現(xiàn)有模型的兩大局限：一是傳統(tǒng)方法未考慮原發(fā)灶與轉(zhuǎn)移淋巴結(jié)之間的生物學(xué)關(guān)聯(lián)，二是現(xiàn)有深度學(xué)習(xí)模型缺乏可解釋性。通過多中心回顧性研究設(shè)計(jì)，該模型致力于為個(gè)體化腋窩手術(shù)決策提供非侵入性工具，避免不必要的腋窩淋巴結(jié)清掃，同時(shí)降低哨淋巴結(jié)活檢的假陰性率。

（2）解釋：iShape模型在三個(gè)獨(dú)立外部驗(yàn)證集（共764例患者）中表現(xiàn)出卓越的預(yù)測(cè)性能，AUC達(dá)0.950–0.971，顯著優(yōu)于單一區(qū)域模型）和臨床病理模型（P < 0.001）。模型單獨(dú)預(yù)測(cè)的假陰性率（FNR）為7.7%–8.1%，低于臨床可接受的10%閾值；當(dāng)與SLNB聯(lián)用時(shí)，F(xiàn)NR從13.4%降至3.6%，顯著提升手術(shù)安全性。該模型在亞組（不同分子分型、治療方案、設(shè)備類型）中保持穩(wěn)定性能（AUC 0.812–1.000），為豁免ALND提供了可靠的非侵入性工具，有望優(yōu)化乳腺癌精準(zhǔn)治療策略。