1.重癥監(jiān)護(hù)中新發(fā)心房顫動(dòng)臨床預(yù)測(cè)模型的開(kāi)發(fā)和外部驗(yàn)證：一項(xiàng)多中心、回顧性隊(duì)列研究  09.09  The Lancet Digital Health

2.基于非造影計(jì)算機(jī)斷層掃描的自發(fā)性腦出血患者 90 天預(yù)后結(jié)果機(jī)器學(xué)習(xí)模型的開(kāi)發(fā)和驗(yàn)證：一項(xiàng)多中心回顧性觀察研究  09.12  eClinicalMedicine

1.重癥監(jiān)護(hù)中新發(fā)心房顫動(dòng)臨床預(yù)測(cè)模型的開(kāi)發(fā)和外部驗(yàn)證：一項(xiàng)多中心、回顧性隊(duì)列研究

Development and external validation of a clinical prediction model for new-onset atrial fibrillation in intensive care: a multicentre, retrospective cohort study

（1）背景：本研究旨在開(kāi)發(fā)和外部驗(yàn)證一個(gè)用于預(yù)測(cè)重癥監(jiān)護(hù)室（ICU）患者新發(fā)心房顫動(dòng)（AF）風(fēng)險(xiǎn)的臨床預(yù)測(cè)模型。目前，ICU中新發(fā)AF很常見(jiàn)，且與不良短期及長(zhǎng)期結(jié)局相關(guān)，但現(xiàn)有的預(yù)測(cè)模型存在外部驗(yàn)證性能差、包含非常規(guī)采集的預(yù)測(cè)因子、以及模型校準(zhǔn)評(píng)估不足等局限性，并且通常局限于特定醫(yī)療系統(tǒng)，缺乏普適性。因此，本研究計(jì)劃利用多中心數(shù)據(jù)，采用機(jī)器學(xué)習(xí)方法開(kāi)發(fā)一個(gè)名為METRIC-AF的新模型，以期捕獲復(fù)雜的變量交互作用，最終提供一個(gè)基于常規(guī)臨床變量、廣泛適用且臨床有用的風(fēng)險(xiǎn)預(yù)測(cè)工具，為針對(duì)性的預(yù)防性干預(yù)試驗(yàn)提供信息并幫助鎖定高風(fēng)險(xiǎn)人群。

（2）解釋?zhuān)貉芯康慕Y(jié)論是成功開(kāi)發(fā)并外部驗(yàn)證了METRIC-AF模型，該機(jī)器學(xué)習(xí)模型僅包含十個(gè)常規(guī)收集的臨床變量，在性能上優(yōu)于已發(fā)表的邏輯回歸模型，表現(xiàn)出更高的區(qū)分度（C統(tǒng)計(jì)量0.812 vs 0.786）和臨床相關(guān)風(fēng)險(xiǎn)閾值下的凈收益，并且校準(zhǔn)良好。研究還發(fā)現(xiàn)低鎂血癥（血清濃度<0.7 mmol/L）與ICU新發(fā)AF風(fēng)險(xiǎn)增加存在 novel 關(guān)聯(lián)。此外，研究還提供了一個(gè)基于三個(gè)最重要預(yù)測(cè)因子的簡(jiǎn)化圖形化工具，其區(qū)分度良好（C統(tǒng)計(jì)量0.727）。METRIC-AF模型及其配套工具能夠有效識(shí)別ICU住院期間新發(fā)AF的高風(fēng)險(xiǎn)患者，為針對(duì)性的預(yù)防策略和試驗(yàn)富集提供支持，未來(lái)有望通過(guò)進(jìn)一步的驗(yàn)證和改進(jìn)患者結(jié)局。

2.基于非造影計(jì)算機(jī)斷層掃描的自發(fā)性腦出血患者 90 天預(yù)后結(jié)果機(jī)器學(xué)習(xí)模型的開(kāi)發(fā)和驗(yàn)證：一項(xiàng)多中心回顧性觀察研究

Development and validation of a machine learning-based model for 90-day prognosis outcome in spontaneous intracerebral hemorrhage patients based on non-contrast computed tomography: a multicenter retrospective observational study

（1）背景：該研究的目的是開(kāi)發(fā)并驗(yàn)證一個(gè)基于機(jī)器學(xué)習(xí)算法的預(yù)測(cè)模型，用于評(píng)估自發(fā)性腦內(nèi)出血（sICH）患者90天功能預(yù)后，其核心在于利用非增強(qiáng)計(jì)算機(jī)斷層掃描（NCCT）的影像學(xué)特征結(jié)合基本臨床指標(biāo)，構(gòu)建一個(gè)臨床實(shí)用性強(qiáng)、便于早期應(yīng)用的預(yù)后預(yù)測(cè)工具。旨在建立一個(gè)能夠輔助臨床醫(yī)生進(jìn)行快速、準(zhǔn)確預(yù)后判斷的在線預(yù)測(cè)平臺(tái)。

（2）解釋?zhuān)貉芯空咄ㄟ^(guò)回顧性收集來(lái)自中國(guó)四個(gè)醫(yī)療中心共1193例sICH患者的數(shù)據(jù)，對(duì)比了五種機(jī)器學(xué)習(xí)模型（邏輯回歸、支持向量機(jī)、隨機(jī)森林、XGBoost和LightGBM）的性能。LightGBM機(jī)器學(xué)習(xí)模型在整合臨床與NCCT特征后表現(xiàn)出最優(yōu)的預(yù)測(cè)性能，其訓(xùn)練集受試者工作特征曲線下面積（AUC）為0.813，內(nèi)部驗(yàn)證AUC為0.852，外部驗(yàn)證AUC為0.796，表明模型具有良好的判別能力和泛化能力；通過(guò)SHAP分析及序列前向選擇（SFS）篩選出六個(gè)核心預(yù)測(cè)因子，包括入院GCS評(píng)分、NIHSS評(píng)分、腦室內(nèi)出血（IVH）、血腫體積、平均CT值和黑洞征，并基于這些變量構(gòu)建了一個(gè)公開(kāi)可用的在線預(yù)測(cè)平臺(tái)（https://surge-ustc.shinyapps.io/multi_para_sih_prognosis/）。該模型不僅證實(shí)了NCCT影像特征在預(yù)后預(yù)測(cè)中的重要作用，還突出了其臨床適用性與便捷性，為sICH患者的早期風(fēng)險(xiǎn)分層、治療決策和資源分配提供了可靠工具。