A population approach to cortical GABAergic interneuron function - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41844157/IN-CODE联盟旨在研究皮质GABA能中间神经元的多样性。将把大规模记录的中间神经元类型与机器学习工具相结合。该研究聚焦生理特征、连接模式及认知功能中的协同性。所有作者声明不存在利益冲突。
A Machine Learning-Derived Risk Score Based on Dietary Nutrient Intake for Early Detection and Prognostic Prediction of Preserved Ratio Impaired Spirometry - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41853751/PRISm（保留比值受损肺功能）与更高的慢性阻塞性肺疾病、心血管疾病和死亡风险相关基于NHANES数据（2007-2012年）开发的机器学习模型可通过饮食和人口统计学因素预测PRISm风险该模型AUC值达0.818，显示出对PRISm的强预测能力高风险人群的死亡率显著升高，并与高血压、糖尿病和慢阻肺等慢性病存在关联健康生活方式仅对低风险人群的不良结局有改善作用，对高风险群体无显著影响本研究提出了一种用于PRISm早期筛查的无创工具和个性化预防策略
Identification of potential biomarkers and therapeutic targets for liver cirrhosis based on Mendelian randomization and machine learning - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41869075/鉴定出5个与肝硬化（LC）相关的枢纽基因（ENPP2、FAM134B、PPARGC1A、SLFN11、TRIM22）构建的列线图风险预测模型具有强预测性能（训练集AUC=0.944，验证集AUC=0.909）基因集富集分析显示枢纽基因与抗原加工、细胞粘附和免疫调节相关在肝硬化中发现免疫细胞水平异常（NK细胞、M2巨噬细胞、树突状细胞、中性粒细胞）预测出丙戊酸和他莫昔芬等潜在肝硬化治疗化合物
A 13-gene prognostic model developed using machine learning to predict the response to neoadjuvant chemoradiotherapy in rectal carcinoma - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41864930/本研究采用机器学习开发了一个13基因预后模型，用于预测直肠癌患者对新辅助放化疗的治疗反应。作者声明本研究不存在任何利益冲突。关键参考文献包括：最新癌症统计研究、直肠癌新辅助治疗相关论文以及美国临床肿瘤学会(ASCO)指南。经费来源包括：国家科技重大专项、国家自然科学基金以及多项天津市科研基金项目。
Functional Ultrasound Imaging-Based Mapping of Cocaine Induced Neural Changes in Awake Mice - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41863276/可卡因是一种常用成瘾性药物，具有显著的医疗后果。该研究采用功能性超声成像(fUS)技术绘制了可卡因暴露后清醒小鼠的神经变化图谱。研究通过测量脑血容量(CBV)作为神经元活动的指标。急性可卡因暴露导致皮层CBV增加，表明神经元激活增强。皮层、海马体和丘脑之间的功能连接(FC)显著减弱。支持向量机(SVM)分类器通过FC模式成功区分了基线状态与可卡因暴露状态。该研究凸显了神经影像学与人工智能结合在理解物质使用障碍方面的潜力。未来研究应探索慢性暴露模型，并纳入双性样本以提高转化医学相关性。
The Impact of Evaluation Strategy on Sepsis Prediction Model Performance Metrics in Intensive Care Data: Retrospective Cohort Study - PubMed2 months agohttps://pubmed.ncbi.nlm.nih.gov/41874553/重症监护病房（ICU）的脓毒症预测模型采用不同评估策略：固定时间窗、峰值评分和持续评估。该研究使用基于MIMIC-IV医疗数据集训练的模型，在德国ICU数据集BerlinICU上进行测试，比较了这些策略。不同评估策略下的性能指标差异显著：持续评估AUROC为0.67，峰值评分相近，而固定时间窗降至0.61。发病时间匹配对持续和固定时间窗评估影响微小，但会提高峰值评分估计值。较短的预测时间窗能提升所有策略下的模型表现。持续评估最符合真实临床监测场景，而固定时间窗和峰值评分若未匹配住院时长可能扭曲结果。