Development and validation of a prediction model for long-term cognitive frailty risk in stroke patients based on CHARLS data - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41880321/研究利用CHARLS数据开发机器学习模型，预测脑卒中患者长期认知衰弱风险。XGBoost与随机森林模型表现出最佳性能（AUC分别为0.810和0.795）。确定了关键预测因素：年龄、教育水平、营养状况、体育锻炼及工具性日常生活活动能力。SHAP值分析突显年龄与教育水平为最主要影响因素。该模型旨在应用于基层医疗早期筛查及针对性干预。
Integration of Machine Learning With PBPK and QSAR Modeling Approaches to Facilitate Drug Discovery and Development - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41878892/本综述探讨了机器学习（ML）如何通过增强药物ADME性质的定量构效关系（QSAR）预测来改进基于生理的药代动力学（PBPK）建模。传统PBPK模型受限于新化合物的不可靠输入参数，但ML增强的QSAR模型直接根据化学结构预测这些参数，从而扩展了PBPK的适用性。ML驱动的QSAR最新进展能更好地预测分配系数和清除率等参数，作为输入集成时提高了PBPK模拟的准确性。这种集成支持从候选药物选择到安全性评估的药物发现与开发决策，可能减少与药代动力学相关的失败。挑战包括训练数据中化学多样性有限、模型可解释性，以及PBPK提交中ML衍生参数的监管考量。
Machine learning predicts sepsis deterioration trajectories - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41888397/脓毒症的临床表现存在异质性，动态预测对个性化干预至关重要。集成机器学习模型识别出三种潜在恢复模式：快速恢复（41.5%）、缓慢恢复（36.4%）和临床恶化（22.1%）。该模型在开发阶段表现出色，受试者工作特征曲线下面积最高达0.92，并在多个数据集的外部验证中保持准确性。心率变异性降低（标准差<10次/分钟）是死亡率的显著预测因子，调整后风险比为2.17。模型实施带来临床改善：ICU住院时间减少1.8天，机械通气时间缩短2.3天，28天死亡率下降5.7%。该研究为病情恶化提供早期预警，中位提前时间达17.6小时，从而支持实施主动护理策略。
Machine learning analysis of population-wide plasma proteins identifies hormonal biomarkers of Parkinson's disease - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41884666/该研究通过对43,408名英国生物银行受试者的血浆蛋白质组学数据进行机器学习，以识别帕金森病的生物标志物。发现的生物标志物包括已知标志物DDC和CALB2，以及与JAK-STAT通路、PI3K-AKT通路和激素信号相关的新标志物。这些生物标志物与疾病严重程度（UPDRS评分）相关，被归类为保护性或风险相关性标志物，有助于患者分层和治疗方案的开发。
Assessment of the risk of bacteremia in patients with hematologic malignancies in the emergency department: A comparative study between logistic regression and machine learning algorithms - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41880164/该研究比较了逻辑回归与机器学习算法，用于预测急诊科血液恶性肿瘤患者菌血症风险。测试了三种模型：BOSS-1（多变量逻辑回归）、BOSS-2（K均值聚类）和BOSS-3（支持向量机）。BOSS-1对低风险患者具有高灵敏度（94%），但特异性较低（30%）；而BOSS-2在特异性相近的情况下，改善了高风险患者的识别能力。BOSS-3仅将患者分为低风险（66.8%）或高风险（33.2%）组，展现了最佳的灵敏度（61%）与特异性（71%）平衡。外部验证发现BOSS-3的结果可重复性最高，表明监督式机器学习具有最大的临床潜力。