1.人工智能檢測腫瘤浸潤淋巴細胞和抗PD-1的治療黑色素瘤的結(jié)果  

Artificial Intelligence–Detected Tumor-Infiltrating Lymphocytes and Outcomes in Anti–PD-1–Based Treated Melanoma

(1)目的：評價人工智能（AI）檢測的腫瘤浸潤淋巴細胞（TIL）對治療前黑色素瘤轉(zhuǎn)移瘤的影響，作為免疫檢查點抑制（ICI）患者反應(yīng)和生存的生物標志物。

(2)結(jié)論：在這項隊列研究中，在晚期黑色素瘤患者中，治療前蘇木精-伊紅載玻片上較高水平的AI檢測到TIL與改善ICI反應(yīng)和生存率獨立相關(guān)。鑒于TIL評分在常規(guī)組織學上的可及性，TIL可以作為ICI結(jié)果的生物標志物。為了促進更廣泛的驗證，Hover-NeXt架構(gòu)和模型權(quán)重已公開。

2.利用大型語言模型生成眼科教育選擇

Leveraging Large Language Models to Generate Multiple-Choice Questions for Ophthalmology Education

(1)目的： 評估通用領(lǐng)域大型語言模型（LLM），特別是OpenAI的生成式預(yù)訓練Transformer 4（GPT-4），是否能夠可靠地生成高質(zhì)量、新穎、可讀的MCQ，與經(jīng)驗豐富的考試作者委員會的MCQ相媲美。

(2)結(jié)論：在這項調(diào)查研究中，結(jié)果表明，LLM可用于開發(fā)眼科委員會式的MCQ并擴大考試庫，以進一步支持眼科住院醫(yī)師培訓。盡管大多數(shù)問題的相似性得分較低，但需要進一步評估LLM生成的問題的質(zhì)量、新穎性和可讀性。

3.早期小兒敗血癥預(yù)測模型的推導(dǎo)和驗證

Derivation and Validation of Predictive Models for Early Pediatric Sepsis

(1)目的：建立機器學習模型，估計其后48 h內(nèi)發(fā)生膿毒癥的概率。

(2)結(jié)論：利用大量多中心人群，開發(fā)并驗證了高AUROC模型，以根據(jù)急診室收集的電子健康記錄（EHR）數(shù)據(jù)預(yù)測膿毒癥的未來發(fā)展。這些模型實現(xiàn)了預(yù)測膿毒癥和感染性休克的正似然比。結(jié)果凸顯了未來研究的機會，將基于EHR的模型與臨床判斷相結(jié)合，以改進預(yù)測。

1.脊髓小腦性共濟失調(diào)綜合數(shù)字平衡評分的開發(fā)和驗證：一項前瞻性研究  

Development and validation of a composite digital balance score for spinocerebellar ataxia: a prospective study

(1)背景：脊髓小腦性共濟失調(diào)的臨床試驗?zāi)壳笆艿娇捎门R床終點所需的大樣本量的限制。我們的目標是使用需要更小樣本量的可穿戴慣性傳感器設(shè)計一種站立和步行平衡的數(shù)字綜合測量方法。新分數(shù)稱為共濟失調(diào)綜合平衡評分（SIBA）。

(2)解釋：SIBA是臨床試驗中最常見的脊髓小腦性共濟失調(diào)的合適靜態(tài)和動態(tài)平衡數(shù)字測量方法。它可以使臨床試驗?zāi)軌蚋斓赝瓿?，并且參與者更少。未來需要在更大的隊列中對SIBA對干預(yù)措施的反應(yīng)性進行試驗。

2.非ST段抬高型急性冠脈綜合征的GRACE評分擴展：十個國家的開發(fā)和驗證研究

Extension of the GRACE score for non-ST-elevation acute coronary syndrome: a development and validation study in ten countries

(1)背景：全球急性冠狀動脈事件登記處（GRACE）評分系統(tǒng)根據(jù)現(xiàn)行指南指導(dǎo)非ST段抬高型急性冠脈綜合征（NSTE-ACS）患者的管理。然而，仍需要對性別特異性GRACE 3.0院內(nèi)死亡率模型進行廣泛驗證，以及預(yù)測長期死亡率和早期侵入性管理的個性化效果的相應(yīng)模型。

(2)解釋：更新后的GRACE 3.0評分系統(tǒng)提供了一種經(jīng)過驗證的實用工具，以支持NSTE-ACS患者的個性化風險評估。預(yù)測早期侵入性管理對個體的長期心血管益處可以完善未來的試驗設(shè)計。

3. 大語言模型在10種語言、4917個病例中罕見病診斷中的一致性能

Consistent performance of large language models in rare disease diagnosis across ten languages and 4917 cases

(1)背景：大型語言模型（LLM）越來越多地用于各種應(yīng)用的醫(yī)學，包括鑒別診斷支持。用于創(chuàng)建LLM（例如生成式預(yù)訓練轉(zhuǎn)換器（GPT））的訓練數(shù)據(jù)主要由英語文本組成，但如果能夠克服語言障礙，LLM可以在全球范圍內(nèi)用于支持診斷。關(guān)于法學碩士在英語以外語言鑒別診斷中的效用的初步試點研究已顯示出希望，但缺乏對這些模型在各種歐洲和非歐洲語言中的相對性能的大規(guī)模評估在具有挑戰(zhàn)性的罕見病病例的綜合語料庫上。

(2)解釋：法學碩士在綜合罕見病病例語料庫中的鑒別診斷性能在測試的十種語言中基本一致。這表明法學碩士在臨床環(huán)境中的效用可能會擴展到非英語臨床環(huán)境。