医学与健康

461 条内容

EuroIntervention 2026年9月21日
该研究基于TARGET All Comers随机试验的1,551例患者，开发了一种可在常规造影中实时自动评估径向壁应变（RWS）的人工智能算法，在802例患者的1,384条非靶血管中评估其预后价值，发现基线最大RWS（RWSmax）≥13%独立预测5年非靶血管导向复合终点（NT-VOCE），校正后风险比4.82（95%CI 3.14-7.40），校正AUC 0.73，其中对非靶血管血运重建的预测准确性最高（校正AUC 0.92），在高质量造影图像亚组中预测性能更强（校正HR 6.89）。
该研究基于TARGET All Comers随机试验的1,551例患者，开发了一种可在常规造影中实时自动评估径向壁应变（RWS）的人工智能算法，在802例患者的1,384条非靶血管中评估其预后价值，发现基线最大RWS（RWSmax）≥13%独立预测5年非靶血管导向复合终点（NT-VOCE），校正后风险比4.82（95%CI 3.14-7.40），校正AUC 0.73，其中对非靶血管血运重建的预测准确性最高（校正AUC 0.92），在高质量造影图像亚组中预测性能更强（校正HR 6.89）。
径向壁应变用于经皮冠状动脉介入治疗后的残余风险分层
该研究基于TARGET All Comers随机试验的1,551例患者，开发了一种可在常规造影中实时自动评估径向壁应变（RWS）的人工智能算法，在802例患者的1,384条非靶血管中评估其预后价值，发现基线最大RWS（RWSmax）≥13%独立预测5年非靶血管导向复合终点（NT-VOCE），校正后风险比4.82（95%CI 3.14-7.40），校正AUC 0.73，其中对非靶血管血运重建的预测准确性最高（校正AUC 0.92），在高质量造影图像亚组中预测性能更强（校正HR 6.89）。
该研究基于TARGET All Comers随机试验的1,551例患者，开发了一种可在常规造影中实时自动评估径向壁应变（RWS）的人工智能算法，在802例患者的1,384条非靶血管中评估其预后价值，发现基线最大RWS（RWSmax）≥13%独立预测5年非靶血管导向复合终点（NT-VOCE），校正后风险比4.82（95%CI 3.14-7.40），校正AUC 0.73，其中对非靶血管血运重建的预测准确性最高（校正AUC 0.92），在高质量造影图像亚组中预测性能更强（校正HR 6.89）。
medRxiv 2026年9月21日
该研究提出并实证验证了“在线健康安全鸿沟”：在704条健康叙事（699条完成分类）中，由互不重叠特征集计算出的叙事真相距离（NTD，衡量认知偏离）与叙事风险分数（NRS，衡量健康风险潜力）仅共享4.9%的方差（r=0.222，p<0.001），导致39.6%的叙事落入单轴系统必然误判的两个非对角象限（对齐但高风险25.2%、偏离但安全14.4%），并在437条专家标注的误信息基准（含127条误信息实例）上最高判别力仅为Youden J=0.349，据此提出“分类象限”框架，主张从以事实为中心转向风险感知的评估。
该研究提出并实证验证了“在线健康安全鸿沟”：在704条健康叙事（699条完成分类）中，由互不重叠特征集计算出的叙事真相距离（NTD，衡量认知偏离）与叙事风险分数（NRS，衡量健康风险潜力）仅共享4.9%的方差（r=0.222，p<0.001），导致39.6%的叙事落入单轴系统必然误判的两个非对角象限（对齐但高风险25.2%、偏离但安全14.4%），并在437条专家标注的误信息基准（含127条误信息实例）上最高判别力仅为Youden J=0.349，据此提出“分类象限”框架，主张从以事实为中心转向风险感知的评估。
在线健康安全鸿沟：共识对齐并不等于同伴健康叙事中的安全
该研究提出并实证验证了“在线健康安全鸿沟”：在704条健康叙事（699条完成分类）中，由互不重叠特征集计算出的叙事真相距离（NTD，衡量认知偏离）与叙事风险分数（NRS，衡量健康风险潜力）仅共享4.9%的方差（r=0.222，p<0.001），导致39.6%的叙事落入单轴系统必然误判的两个非对角象限（对齐但高风险25.2%、偏离但安全14.4%），并在437条专家标注的误信息基准（含127条误信息实例）上最高判别力仅为Youden J=0.349，据此提出“分类象限”框架，主张从以事实为中心转向风险感知的评估。
该研究提出并实证验证了“在线健康安全鸿沟”：在704条健康叙事（699条完成分类）中，由互不重叠特征集计算出的叙事真相距离（NTD，衡量认知偏离）与叙事风险分数（NRS，衡量健康风险潜力）仅共享4.9%的方差（r=0.222，p<0.001），导致39.6%的叙事落入单轴系统必然误判的两个非对角象限（对齐但高风险25.2%、偏离但安全14.4%），并在437条专家标注的误信息基准（含127条误信息实例）上最高判别力仅为Youden J=0.349，据此提出“分类象限”框架，主张从以事实为中心转向风险感知的评估。
medRxiv 2026年9月21日
该研究在三个国际中心的1,095名致病或可能致病肌节变异携带者中，用已验证的AI-ECG模型从12导联心电图图像生成HCM评分，发现其识别基线HCM表型的AUROC为0.91、识别显性HCM为0.92，在基线基因阳性/表型阴性者中评分每升高1个标准差与随访期发生HCM相关（未校正HR 1.55，校正后HR 1.38），并在57,007名UK Biobank参与者中显示AI-ECG评分与多基因风险评分相互独立且相加，二者同时偏高者HCM的校正比值比为60.2。
该研究在三个国际中心的1,095名致病或可能致病肌节变异携带者中，用已验证的AI-ECG模型从12导联心电图图像生成HCM评分，发现其识别基线HCM表型的AUROC为0.91、识别显性HCM为0.92，在基线基因阳性/表型阴性者中评分每升高1个标准差与随访期发生HCM相关（未校正HR 1.55，校正后HR 1.38），并在57,007名UK Biobank参与者中显示AI-ECG评分与多基因风险评分相互独立且相加，二者同时偏高者HCM的校正比值比为60.2。
人工智能增强心电图在单基因与多基因易感性下检测和预测肥厚型心肌病
该研究在三个国际中心的1,095名致病或可能致病肌节变异携带者中，用已验证的AI-ECG模型从12导联心电图图像生成HCM评分，发现其识别基线HCM表型的AUROC为0.91、识别显性HCM为0.92，在基线基因阳性/表型阴性者中评分每升高1个标准差与随访期发生HCM相关（未校正HR 1.55，校正后HR 1.38），并在57,007名UK Biobank参与者中显示AI-ECG评分与多基因风险评分相互独立且相加，二者同时偏高者HCM的校正比值比为60.2。
该研究在三个国际中心的1,095名致病或可能致病肌节变异携带者中，用已验证的AI-ECG模型从12导联心电图图像生成HCM评分，发现其识别基线HCM表型的AUROC为0.91、识别显性HCM为0.92，在基线基因阳性/表型阴性者中评分每升高1个标准差与随访期发生HCM相关（未校正HR 1.55，校正后HR 1.38），并在57,007名UK Biobank参与者中显示AI-ECG评分与多基因风险评分相互独立且相加，二者同时偏高者HCM的校正比值比为60.2。
Plastic and reconstructive surgery 2026年9月21日
该研究首次将基于人工智能的面部真实性定位（FAL）模型大规模应用于美容外科媒体，对RealSelf.com公开图库中连续600张鼻整形术后照片进行分析，发现19.5%（117/600；95% CI 16.3–22.7%）存在疑似数字篡改，并在200张推定未编辑的临床照片上得到1.5%（3/200；95% CI 0.51–4.32%）的假阳性率、在50张经Facetune几何扭曲的临床照片上得到100%（50/50；95% CI 93.0–100%）的敏感度。
该研究首次将基于人工智能的面部真实性定位（FAL）模型大规模应用于美容外科媒体，对RealSelf.com公开图库中连续600张鼻整形术后照片进行分析，发现19.5%（117/600；95% CI 16.3–22.7%）存在疑似数字篡改，并在200张推定未编辑的临床照片上得到1.5%（3/200；95% CI 0.51–4.32%）的假阳性率、在50张经Facetune几何扭曲的临床照片上得到100%（50/50；95% CI 93.0–100%）的敏感度。
用人工智能面部真实性定位（FAL）模型检测被篡改的在线鼻整形图像
该研究首次将基于人工智能的面部真实性定位（FAL）模型大规模应用于美容外科媒体，对RealSelf.com公开图库中连续600张鼻整形术后照片进行分析，发现19.5%（117/600；95% CI 16.3–22.7%）存在疑似数字篡改，并在200张推定未编辑的临床照片上得到1.5%（3/200；95% CI 0.51–4.32%）的假阳性率、在50张经Facetune几何扭曲的临床照片上得到100%（50/50；95% CI 93.0–100%）的敏感度。
该研究首次将基于人工智能的面部真实性定位（FAL）模型大规模应用于美容外科媒体，对RealSelf.com公开图库中连续600张鼻整形术后照片进行分析，发现19.5%（117/600；95% CI 16.3–22.7%）存在疑似数字篡改，并在200张推定未编辑的临床照片上得到1.5%（3/200；95% CI 0.51–4.32%）的假阳性率、在50张经Facetune几何扭曲的临床照片上得到100%（50/50；95% CI 93.0–100%）的敏感度。
PLOS global public health 2026年9月21日
这篇观点文章提出“Workforce Science（人力科学）”，主张在人口老龄化、流行病学转变、不平等扩大与人工智能快速嵌入的背景下，把卫生与社会照护人力从“需要培养和雇佣多少劳动力”的供给问题，重新界定为如何测量、分析和治理由人、团队与智能技术共同生成的“混合人机能力”，并给出有效能力（C*）由教育筹资、教育质量、劳动、人机动态、治理能力以及工作条件与权利共同构成的框架，以及定义→测量→分析→治理→照护的五层科学探究路径。
这篇观点文章提出“Workforce Science（人力科学）”，主张在人口老龄化、流行病学转变、不平等扩大与人工智能快速嵌入的背景下，把卫生与社会照护人力从“需要培养和雇佣多少劳动力”的供给问题，重新界定为如何测量、分析和治理由人、团队与智能技术共同生成的“混合人机能力”，并给出有效能力（C*）由教育筹资、教育质量、劳动、人机动态、治理能力以及工作条件与权利共同构成的框架，以及定义→测量→分析→治理→照护的五层科学探究路径。
把卫生人力重新定义为“人机混合能力资产”：Workforce Science 的提出
这篇观点文章提出“Workforce Science（人力科学）”，主张在人口老龄化、流行病学转变、不平等扩大与人工智能快速嵌入的背景下，把卫生与社会照护人力从“需要培养和雇佣多少劳动力”的供给问题，重新界定为如何测量、分析和治理由人、团队与智能技术共同生成的“混合人机能力”，并给出有效能力（C*）由教育筹资、教育质量、劳动、人机动态、治理能力以及工作条件与权利共同构成的框架，以及定义→测量→分析→治理→照护的五层科学探究路径。
这篇观点文章提出“Workforce Science（人力科学）”，主张在人口老龄化、流行病学转变、不平等扩大与人工智能快速嵌入的背景下，把卫生与社会照护人力从“需要培养和雇佣多少劳动力”的供给问题，重新界定为如何测量、分析和治理由人、团队与智能技术共同生成的“混合人机能力”，并给出有效能力（C*）由教育筹资、教育质量、劳动、人机动态、治理能力以及工作条件与权利共同构成的框架，以及定义→测量→分析→治理→照护的五层科学探究路径。
medRxiv 2026年9月21日
该研究以20所美国骨科医学院为样本、用8个教育情境小品生成160个学校-情境配对，每对经三轮AI辅助检索与评估并按“明确支持、可推断、模糊、未涉及”分类，结果显示159/160（99.4%）至少检索到一份合格来源，但仅21对（13.1%）被归为支持充分，其中生成式AI辅助反思性写作最常见（7/20所学校，35%），个人云笔记与官方临床日志则无一例支持充分。
该研究以20所美国骨科医学院为样本、用8个教育情境小品生成160个学校-情境配对，每对经三轮AI辅助检索与评估并按“明确支持、可推断、模糊、未涉及”分类，结果显示159/160（99.4%）至少检索到一份合格来源，但仅21对（13.1%）被归为支持充分，其中生成式AI辅助反思性写作最常见（7/20所学校，35%），个人云笔记与官方临床日志则无一例支持充分。
美国骨科医学院公开患者信息政策中的决策支持：基于情境小品的文件分析
该研究以20所美国骨科医学院为样本、用8个教育情境小品生成160个学校-情境配对，每对经三轮AI辅助检索与评估并按“明确支持、可推断、模糊、未涉及”分类，结果显示159/160（99.4%）至少检索到一份合格来源，但仅21对（13.1%）被归为支持充分，其中生成式AI辅助反思性写作最常见（7/20所学校，35%），个人云笔记与官方临床日志则无一例支持充分。
该研究以20所美国骨科医学院为样本、用8个教育情境小品生成160个学校-情境配对，每对经三轮AI辅助检索与评估并按“明确支持、可推断、模糊、未涉及”分类，结果显示159/160（99.4%）至少检索到一份合格来源，但仅21对（13.1%）被归为支持充分，其中生成式AI辅助反思性写作最常见（7/20所学校，35%），个人云笔记与官方临床日志则无一例支持充分。
PloS one 2026年9月21日
该研究从YouTube新闻频道抓取2024—2025年HMPV相关评论15,300条、经预处理保留9,758条，用VADER生成弱情绪标签，比较ELECTRA、RoBERTa、ALBERT、DistilBERT、XLNet与BERT六种Transformer模型，XLNet取得93.50%的最高准确率，并用SHAP的PartitionExplainer对正确分类样本给出词级归因，显示“flu”“fear”等词推动负面判断、“save”“help”“mad”与中性相关、“falling”“save”“god”“america”与正面相关。
该研究从YouTube新闻频道抓取2024—2025年HMPV相关评论15,300条、经预处理保留9,758条，用VADER生成弱情绪标签，比较ELECTRA、RoBERTa、ALBERT、DistilBERT、XLNet与BERT六种Transformer模型，XLNet取得93.50%的最高准确率，并用SHAP的PartitionExplainer对正确分类样本给出词级归因，显示“flu”“fear”等词推动负面判断、“save”“help”“mad”与中性相关、“falling”“save”“god”“america”与正面相关。
基于XLNet与SHAP的HMPV公众情绪可解释分析
该研究从YouTube新闻频道抓取2024—2025年HMPV相关评论15,300条、经预处理保留9,758条，用VADER生成弱情绪标签，比较ELECTRA、RoBERTa、ALBERT、DistilBERT、XLNet与BERT六种Transformer模型，XLNet取得93.50%的最高准确率，并用SHAP的PartitionExplainer对正确分类样本给出词级归因，显示“flu”“fear”等词推动负面判断、“save”“help”“mad”与中性相关、“falling”“save”“god”“america”与正面相关。
该研究从YouTube新闻频道抓取2024—2025年HMPV相关评论15,300条、经预处理保留9,758条，用VADER生成弱情绪标签，比较ELECTRA、RoBERTa、ALBERT、DistilBERT、XLNet与BERT六种Transformer模型，XLNet取得93.50%的最高准确率，并用SHAP的PartitionExplainer对正确分类样本给出词级归因，显示“flu”“fear”等词推动负面判断、“save”“help”“mad”与中性相关、“falling”“save”“god”“america”与正面相关。
medRxiv 2026年9月21日
该研究提出并评估了一种隐私保护的知识蒸馏框架：用CTGAN基于英国生物银行（UK Biobank）分布生成合成队列，让GPT-4o、Gemini、DeepSeek三个教师大模型在零样本设定下生成多病共存评分，再训练紧凑的学生模型CoLLM来模仿这些评分，从而在不向第三方API暴露真实患者数据的前提下，将CoLLM应用于真实UK Biobank数据（N=439,221）生成多病共存评分，并在生存预测、全基因组关联分析和多基因风险评分关联上与传统Charlson（CCI）和Elixhauser（ECI）指数比较。
该研究提出并评估了一种隐私保护的知识蒸馏框架：用CTGAN基于英国生物银行（UK Biobank）分布生成合成队列，让GPT-4o、Gemini、DeepSeek三个教师大模型在零样本设定下生成多病共存评分，再训练紧凑的学生模型CoLLM来模仿这些评分，从而在不向第三方API暴露真实患者数据的前提下，将CoLLM应用于真实UK Biobank数据（N=439,221）生成多病共存评分，并在生存预测、全基因组关联分析和多基因风险评分关联上与传统Charlson（CCI）和Elixhauser（ECI）指数比较。
隐私感知蒸馏大语言模型提升多病共存评分
该研究提出并评估了一种隐私保护的知识蒸馏框架：用CTGAN基于英国生物银行（UK Biobank）分布生成合成队列，让GPT-4o、Gemini、DeepSeek三个教师大模型在零样本设定下生成多病共存评分，再训练紧凑的学生模型CoLLM来模仿这些评分，从而在不向第三方API暴露真实患者数据的前提下，将CoLLM应用于真实UK Biobank数据（N=439,221）生成多病共存评分，并在生存预测、全基因组关联分析和多基因风险评分关联上与传统Charlson（CCI）和Elixhauser（ECI）指数比较。
该研究提出并评估了一种隐私保护的知识蒸馏框架：用CTGAN基于英国生物银行（UK Biobank）分布生成合成队列，让GPT-4o、Gemini、DeepSeek三个教师大模型在零样本设定下生成多病共存评分，再训练紧凑的学生模型CoLLM来模仿这些评分，从而在不向第三方API暴露真实患者数据的前提下，将CoLLM应用于真实UK Biobank数据（N=439,221）生成多病共存评分，并在生存预测、全基因组关联分析和多基因风险评分关联上与传统Charlson（CCI）和Elixhauser（ECI）指数比较。
medRxiv 2026年9月21日
该研究提出LLMPopSim，一个整合美国人口普查局与CDC数据构建合成个体、并用大语言模型模拟个体健康行为、再在社区层面评估聚合结果的生成式人口模拟框架，以夏威夷历史数据开发，并用夏威夷与纽约州2022年留出队列、以结直肠癌筛查与乳腺X线摄影为概念验证行为进行时间与地理泛化评估，四项州-结果评估的平均绝对误差为3.5至15.0个百分点，模拟与观测的ZCTA级患病率相关系数为0.26至0.69。
该研究提出LLMPopSim，一个整合美国人口普查局与CDC数据构建合成个体、并用大语言模型模拟个体健康行为、再在社区层面评估聚合结果的生成式人口模拟框架，以夏威夷历史数据开发，并用夏威夷与纽约州2022年留出队列、以结直肠癌筛查与乳腺X线摄影为概念验证行为进行时间与地理泛化评估，四项州-结果评估的平均绝对误差为3.5至15.0个百分点，模拟与观测的ZCTA级患病率相关系数为0.26至0.69。
用LLM合成人口模拟社区健康行为：LLMPopSim框架的跨州评估
该研究提出LLMPopSim，一个整合美国人口普查局与CDC数据构建合成个体、并用大语言模型模拟个体健康行为、再在社区层面评估聚合结果的生成式人口模拟框架，以夏威夷历史数据开发，并用夏威夷与纽约州2022年留出队列、以结直肠癌筛查与乳腺X线摄影为概念验证行为进行时间与地理泛化评估，四项州-结果评估的平均绝对误差为3.5至15.0个百分点，模拟与观测的ZCTA级患病率相关系数为0.26至0.69。
该研究提出LLMPopSim，一个整合美国人口普查局与CDC数据构建合成个体、并用大语言模型模拟个体健康行为、再在社区层面评估聚合结果的生成式人口模拟框架，以夏威夷历史数据开发，并用夏威夷与纽约州2022年留出队列、以结直肠癌筛查与乳腺X线摄影为概念验证行为进行时间与地理泛化评估，四项州-结果评估的平均绝对误差为3.5至15.0个百分点，模拟与观测的ZCTA级患病率相关系数为0.26至0.69。
medRxiv 2026年9月21日
该研究提出 MES 这一由六个专门智能体（Supervisor、LiteratureMiner、RWD-Analyst、KG-Specialist、Statistician、SafeChecker）组成的多智能体框架，用于在保留来源可追溯性的前提下整合已发表文献与试验证据、从真实世界数据生成针对具体问题的真实世界证据并查询生物医学知识图谱，并在两个临床用例（匹配文献缺失的阿尔茨海默病用药问题、随机证据不一致的脓毒症休克β受体阻滞剂问题）以及覆盖六类循证医学范畴的144个临床查询上评估，报告显示其能生成保留来源可追溯性、识别跨来源分歧并传达不确定性的结构化报告，且 SafeChecker 在 CliniF
该研究提出 MES 这一由六个专门智能体（Supervisor、LiteratureMiner、RWD-Analyst、KG-Specialist、Statistician、SafeChecker）组成的多智能体框架，用于在保留来源可追溯性的前提下整合已发表文献与试验证据、从真实世界数据生成针对具体问题的真实世界证据并查询生物医学知识图谱，并在两个临床用例（匹配文献缺失的阿尔茨海默病用药问题、随机证据不一致的脓毒症休克β受体阻滞剂问题）以及覆盖六类循证医学范畴的144个临床查询上评估，报告显示其能生成保留来源可追溯性、识别跨来源分歧并传达不确定性的结构化报告，且 SafeChecker 在 CliniF
MES：面向医疗决策的多智能体证据合成系统
该研究提出 MES 这一由六个专门智能体（Supervisor、LiteratureMiner、RWD-Analyst、KG-Specialist、Statistician、SafeChecker）组成的多智能体框架，用于在保留来源可追溯性的前提下整合已发表文献与试验证据、从真实世界数据生成针对具体问题的真实世界证据并查询生物医学知识图谱，并在两个临床用例（匹配文献缺失的阿尔茨海默病用药问题、随机证据不一致的脓毒症休克β受体阻滞剂问题）以及覆盖六类循证医学范畴的144个临床查询上评估，报告显示其能生成保留来源可追溯性、识别跨来源分歧并传达不确定性的结构化报告，且 SafeChecker 在 CliniF
该研究提出 MES 这一由六个专门智能体（Supervisor、LiteratureMiner、RWD-Analyst、KG-Specialist、Statistician、SafeChecker）组成的多智能体框架，用于在保留来源可追溯性的前提下整合已发表文献与试验证据、从真实世界数据生成针对具体问题的真实世界证据并查询生物医学知识图谱，并在两个临床用例（匹配文献缺失的阿尔茨海默病用药问题、随机证据不一致的脓毒症休克β受体阻滞剂问题）以及覆盖六类循证医学范畴的144个临床查询上评估，报告显示其能生成保留来源可追溯性、识别跨来源分歧并传达不确定性的结构化报告，且 SafeChecker 在 CliniF

第 23 页 · 当前显示 10 项