1.評(píng)估活體腎切除術(shù)后早期供體腎功能恢復(fù)作為腎移植后移植失敗的預(yù)測(cè)指標(biāo)：一項(xiàng)縱向隊(duì)列和機(jī)器學(xué)習(xí)研究  06.03  eClinicalMedicine

2.對(duì)開始長(zhǎng)期雄激素剝奪治療的晚期前列腺癌患者進(jìn)行基于數(shù)字病理學(xué)的多模態(tài)人工智能衍生預(yù)后模型的外部驗(yàn)證：STAMPEDE 平臺(tái)方案的四項(xiàng) 3 期隨機(jī)對(duì)照試驗(yàn)的事后輔助生物標(biāo)志物研究  06.03  The Lancet. Digital health

3.可穿戴設(shè)備衍生的風(fēng)險(xiǎn)評(píng)分，用于非侵入性檢測(cè) α-突觸核蛋白聚集或多巴胺能缺陷  06.05  eBioMedicine

4.基于AI的盆底表面肌電圖參考范圍及高精度盆底功能障礙診斷  06.05  eBioMedicine

1.評(píng)估活體腎切除術(shù)后早期供體腎功能恢復(fù)作為腎移植后移植失敗的預(yù)測(cè)指標(biāo)：一項(xiàng)縱向隊(duì)列和機(jī)器學(xué)習(xí)研究

Evaluation of early donor renal function recovery after living-donor nephrectomy as a predictor of allograft failure after kidney transplantation: a longitudinal cohort and machine learning study

（1） 背景：本文旨在評(píng)估活體腎移植供者術(shù)后早期腎功能恢復(fù)指標(biāo)（dCRC，即供者肌酐相對(duì)變化率）與受體移植腎長(zhǎng)期存活的關(guān)系，并驗(yàn)證其能否提升現(xiàn)有預(yù)測(cè)模型（iBOX評(píng)分）對(duì)移植失敗風(fēng)險(xiǎn)的預(yù)測(cè)效能。

（2） 解釋：研究發(fā)現(xiàn)，供者術(shù)后早期腎功能恢復(fù)指標(biāo)dCRC與死亡審查同種異體移植失敗（DCGF）風(fēng)險(xiǎn)呈J型非線性關(guān)聯(lián)：dCRC每增加10%，DCGF風(fēng)險(xiǎn)顯著升高36.7%（HR=1.367, 95% CI: 1.262–1.479）。即使供者術(shù)前或術(shù)后eGFR ≥90 mL/min/1.73 m2，dCRC >30%仍獨(dú)立預(yù)測(cè)更高DCGF風(fēng)險(xiǎn)（P=0.025）。在模型優(yōu)化方面，dCRC聯(lián)合iBOX核心指標(biāo)（1年肌酐、蛋白尿、DSA）顯著提升10年DCGF預(yù)測(cè)效能：Cox模型AUC從0.765升至0.868（P=0.0017），XGBoost從0.727升至0.840（P=0.0029），隨機(jī)森林從0.701升至0.857（P<0.0001）。

 2.對(duì)開始長(zhǎng)期雄激素剝奪治療的晚期前列腺癌患者進(jìn)行基于數(shù)字病理學(xué)的多模態(tài)人工智能衍生預(yù)后模型的外部驗(yàn)證：STAMPEDE 平臺(tái)方案的四項(xiàng) 3 期隨機(jī)對(duì)照試驗(yàn)的事后輔助生物標(biāo)志物研究

External validation of a digital pathology-based multimodal artificial intelligence-derived prognostic model in patients with advanced prostate cancer starting long-term androgen deprivation therapy: a post-hoc ancillary biomarker study of four phase 3 randomised controlled trials of the STAMPEDE pl

（1）背景：該研究旨在外部驗(yàn)證一種基于數(shù)字病理學(xué)的多模態(tài)人工智能（MMAI）預(yù)后模型（ArteraAI Prostate）在晚期前列腺癌患者中的有效性。

（2）解釋：本研究證實(shí)，ArteraAI開發(fā)的MMAI模型在晚期前列腺癌患者中具有顯著的預(yù)后價(jià)值。模型連續(xù)評(píng)分每增加一個(gè)標(biāo)準(zhǔn)差，前列腺癌特異性死亡率（PCSM）風(fēng)險(xiǎn)顯著增加40%（HR 1.40, 95% CI 1.30–1.51, p<0.0001），且這一關(guān)聯(lián)在所有治療組（單獨(dú)ADT、ADT+多西他賽、ADT+阿比特龍）和疾病狀態(tài)（非轉(zhuǎn)移/轉(zhuǎn)移）中均一致。通過四分位分層，最高評(píng)分組（Q4）患者的5年P(guān)CSM風(fēng)險(xiǎn)顯著高于其他組（非轉(zhuǎn)移組：Q4 vs Q1–3的HR 2.12, p<0.0001；轉(zhuǎn)移組：HR 1.62, p<0.0001）。更重要的是，模型進(jìn)一步細(xì)化了現(xiàn)有臨床分層：例如，在低轉(zhuǎn)移負(fù)荷患者中，Q4組的5年P(guān)CSM風(fēng)險(xiǎn)（43%）顯著高于Q1–3組（27%）；在高轉(zhuǎn)移負(fù)荷患者中，Q4組風(fēng)險(xiǎn)（68%）亦顯著高于Q1–3組（48%）。

 3.可穿戴設(shè)備衍生的風(fēng)險(xiǎn)評(píng)分，用于非侵入性檢測(cè) α-突觸核蛋白聚集或多巴胺能缺陷

Wearables-derived risk score for unintrusive detection of α-synuclein aggregation or dopaminergic deficit

（1）背景：該研究旨在評(píng)估基于可穿戴設(shè)備（智能手表）衍生的數(shù)字風(fēng)險(xiǎn)評(píng)分在無創(chuàng)檢測(cè)帕金森?。≒D）早期病理變化（α-突觸核蛋白聚集或多巴胺能缺陷）中的價(jià)值。

（2）解釋：研究發(fā)現(xiàn)，基于智能手表數(shù)據(jù)的數(shù)字風(fēng)險(xiǎn)評(píng)分顯著優(yōu)于傳統(tǒng)前驅(qū)期PD評(píng)估標(biāo)準(zhǔn)（如運(yùn)動(dòng)障礙學(xué)會(huì)MDS研究標(biāo)準(zhǔn)）。該評(píng)分在未確診的高風(fēng)險(xiǎn)人群中與生物標(biāo)志物密切相關(guān)：與DaTscan的殼核結(jié)合比率呈顯著負(fù)相關(guān)（r=-0.32），且其識(shí)別α-突觸核蛋白聚集或神經(jīng)退行性病變的敏感度（59%）高于MDS評(píng)分（35%），與嗅覺減退（hyposmia）的敏感度相當(dāng)（59%）。數(shù)字風(fēng)險(xiǎn)評(píng)分在亞閾值帕金森綜合征和嗅覺減退者中顯著升高，并與MDS評(píng)分顯著相關(guān)（r=0.36）。然而，其精確度較低（18%），表明需結(jié)合后續(xù)特異性檢測(cè)以降低假陽(yáng)性。

 4.基于AI的盆底表面肌電圖參考范圍及高精度盆底功能障礙診斷

AI-based pelvic floor surface electromyography reference ranges and high-precision pelvic floor dysfunction diagnosis

（1）背景：該研究旨在通過人工智能技術(shù)解決盆底表面肌電圖（sEMG）臨床評(píng)估中的核心問題。傳研究團(tuán)隊(duì)建立了一個(gè)覆蓋中國(guó)21個(gè)中心、1605名參與者的多維sEMG數(shù)據(jù)庫(kù)（含63項(xiàng)參數(shù)），并開發(fā)了名為AI-Diagnostician-PFD的智能模型。該模型通過遺傳算法優(yōu)化sEMG參數(shù)參考范圍（AI-Reference范圍），并基于集成學(xué)習(xí)整合多種機(jī)器學(xué)習(xí)算法，目標(biāo)是為臨床提供更合理的sEMG參考標(biāo)準(zhǔn)及高精度PFD診斷工具，推動(dòng)盆底肌肉功能評(píng)估的標(biāo)準(zhǔn)化和智能化。

（2）解釋：研究發(fā)現(xiàn)，AI優(yōu)化的sEMG參考范圍（AI-Reference范圍）顯著優(yōu)于傳統(tǒng)Glazer標(biāo)準(zhǔn)。在外部驗(yàn)證數(shù)據(jù)集中，AI-Reference范圍的AUC值達(dá)0.79（95% CI: 0.790–0.794），較Glazer標(biāo)準(zhǔn)（AUC 0.68）提升11%，敏感性和特異性分別提高0.14和0.14個(gè)點(diǎn)。同時(shí)，AI-Diagnostician-PFD診斷模型在測(cè)試集和外部驗(yàn)證集上的AUC均超越6種基線模型（包括CNN、Transformer等），診斷性能提升1%，敏感性和特異性提高2%。