仅搜集收录了部分个人感兴趣的文章，并进行简单记录
1 概念科普
1.1 多样化的锻炼方式能显著减低死亡风险
2026-04-27 文章链接
研究人员分析了两项大型长期研究的数据：护士健康研究（121700 名女性参与者）和健康专业人员随访研究（51529 名男性参与者）。这些研究对参与者进行了 30 多年的跟踪，每两年通过问卷收集一次参与者生活方式、健康史和运动习惯的定期更新信息
活动类型：步行、慢跑、跑步、骑行（包括固定健身器材骑行）、泳池游泳、划船或徒手体操、网球以及壁球或短柄墙球；后续补充了力量训练或抗阻训练；瑜伽、拉伸和塑形等低强度运动；修剪草坪这类高强度体力活；维修和园艺等中等强度户外作业；以及挖掘、劈砍等重体力户外作业；还有每天爬楼层数
代谢当量（MET）评分，
- MET = 每项活动的平均耗时（以小时/周为单位）x 其代谢当量值
- 代谢当量表示一项活动相较于静息状态所消耗的额外能量
主要结论：
- 行是最常见的休闲锻炼方式，而男性比女性更有可能慢跑或跑步
- 整体活动水平更高的人通常更健康，其吸烟、患高血压或高胆固醇的可能性更低
- 高水平的身体活动，以及除游泳外的大多数单项运动类型，均与更低的全因死亡风险相关
- 总活动量带来的益处在每周约20个代谢当量小时后趋于平稳，超过该阈值后额外收益会减少
- 步行与死亡风险的关联最为显著，步行最多的人与步行最少的人相比，死亡风险降低了17%。爬楼梯则与10%的死亡风险降低相关；网球、壁球或短柄墙球与15%的风险降低相关
- 划船或健美操显示风险降低14%。力量训练或抗阻训练以及跑步分别与13%的风险降低相关。慢跑与风险降低11%相关，而骑自行车的风险降低幅度较小，为4%
- 在考虑了总运动量后，活动类型最多样的参与者因各种原因导致的死亡风险降低了19%；与参与活动类型较少的人相比，他们因心血管疾病、癌症、呼吸系统疾病及其他原因导致的死亡风险也降低了13%至41%
1.2 荟萃分析显示手指长度比值与性倾向存在显著关联
2026-04-29 文章链接
一项涵盖 51 项研究、逾 22.7 万名参与者的荟萃分析显示，2D: 4D（食指与无名指） 手指长度比值与性倾向显著相关。研究发现，女同性恋者的比值较低，表现出更典型的男性特征；男同性恋者的比值则较高，表现出更典型的女性特征。这些发现支持了产前雄激素和雌激素水平共同影响手指发育与性倾向形成的假说。
1.3 临床版 ChatGPT 在临床任务上的表现优于医生
2026-04-22 文章链接
根据美国医学会 (AMA) 2026 年的一项调查，医师对 AI 的使用率现已达到历史新高：72% 的医师报告他们在临床实践中使用 AI，而去年这一比例仅为 48%
HealthBench Professiona 是针对真实临床专业人士对话任务的开放基准测试，涵盖了诊疗咨询、文书撰写与记录，以及医学研究这三个用例，是对 HealthBench 更广泛的医疗对话评估体系的进一步补充
- 定制版 GPT-5.4 取得了 59.0 分的成绩，表现超过人类医生的 43.7 分（在医生不限时且允许互联网访问的情况下）；对 6924 次临床 AI 对话进行测试，其中 99.6% 的回复被评定为安全且准确
1.4 《飞利浦未来健康指数》调研
2026-05-30 文章链接
《飞利浦未来健康指数》调研
- 发起方：Vitreous World；调研时间：26年 2 至 4 月
- 覆盖范围：10 个国家、2011 名医护人员及 20085 名患者
- 核心结论：医护人员每周平均可多接诊 5 名患者。约 30%的受访医生称 AI 助力削减预算，27%的人表示过去三个月内 AI 至少三次协助排查医疗失误，36%表示接诊量增加。但 77%的受访医护人员反映培训资源缺失。目前 AI 主用于行政事务，而医疗保险公司则担忧其滥用导致理赔费用上涨
1.5 八种常见的食品添加剂与高血压和心脏病有关
2026-06-18 文章链接
实验设计：来自法国各地的112,395名志愿者。参与者每六个月报告他们在三天内的所有饮食和饮水情况；研究人员随后对这些食品和饮料中的成分进行了详细评估，包括防腐添加剂。参与者的健康状况被监测平均七到八年，以确定他们是否发展为高血压或心血管疾病
核心结论：
- 几乎所有参与者都接触了防腐剂。在研究的前两年内，99.5%的人至少摄入了一种食品防腐剂
- 摄入最多非抗氧化防腐剂的参与者，高血压风险比摄入最少者高出29%。他们患心血管疾病的风险也高出16%，包括心脏病发作、中风和心绞痛；抗氧化防腐剂摄入量最高的人群，高血压风险增加22%
- 8项常使用的防腐剂与高血压风险显著相关：山梨酸钾（E202）、亚硫酸氢钾（E224）、亚硝酸钠（E250）、抗坏血酸（E300）、抗坏血酸钠（E301）、赤胯菧酸钠（E316）、柠檬酸（E330）、迷迭香萃取（E392）；抗坏血酸（E300）也被特异性地与心血管疾病相关
2 模型预测
2.1 儿童呼吸道合胞病毒感染致危重症肺炎风险的列线图预测模型
2026-05-06 文章链接
数据说明：
- 2021 年 1 月至 2024 年 12 月上海市儿童医院收治的 515 例 RSV 感染致重症肺炎患儿
- 患儿中男299例、女216例，就诊年龄20月龄，危重症组207例（40.2%），重症组308例（59.8%）
核心结论：
- 危重症组就诊年龄≤6月龄、有喘息症状、肥胖、早产和合并基础疾病的占比均高于重症组（均 P<0.05）；热程、中性粒细胞与淋巴细胞比（NLR）和降钙素原均高于重症组（均 P<0.05）
- 多因素Logistic回归分析示，就诊年龄≤6月龄、喘息、基础疾病、NLR和降钙素原均是RSV危重症肺炎的独立危险因素（ OR=3.30、3.10、6.57、1.16、1.22）
- 列线图模型，经Bootstrap校正后模型区分度良好（C指数0.80，95% CI 0.77~0.84）
2.2 基于血清指标和肺部超声特征预测小儿重症肺炎并呼吸衰竭
2025-03-24 文章链接
数据说明：
- 2019年1月至2024年1月九江市妇幼保健院儿童重症医学科收治的208例重症肺炎患儿
- 根据患儿入院后3个月有无伴发呼吸衰竭分为衰竭组（131例）和非衰竭组（77例）
核心结论：
- 单因素分析显示，两组患儿年龄、既往肺部感染病史、儿童危重病情评分（PCIS）、先天性气道畸形、先天性心脏病、肺部超声评分（LUS）、涎液化糖链抗原（KL-6）、血清可溶性髓系细胞表达的触发受体-1（sTREM-1）比较，差异均有统计学意义（均P<0.05）。
- 多因素Logistic回归分析显示，年龄、PCIS评分、LUS、先天性心脏病、KL-6、sTREM-1均是重症肺炎患儿伴发呼吸衰竭的独立危险因素（均P<0.05）。CRT模型构建显示，年龄、先天性心脏病、KL-6 及先天性气道畸形是重症肺炎患儿伴发呼吸衰竭的影响因素。BPNN模型结果显示，影响因素重要性排序为KL-6>年龄>sTREM-1>LUS>PCIS 评分>先天性心脏病>先天性气道畸形>既往肺部感染病史。
- 3 种机器学习算法中，Logistic 模型预测效能最佳，AUROC 为 0.981，灵敏度为 0.962，特异度为 0.909
2.3 基于机器学习的儿童重症肺炎预警模型的研究
2026-01-16 文章链接
数据说明：
- 武汉儿童医院2019年1月1日至2023年12月31日期间因CAP入院的15 750名患儿
- 年龄限制在28天至18周岁，年龄中位数为2（0，4）周岁。其中，男童9 555例（60.67%），女童6 195例（39.33%），2 211例（14.04%）罹患重症肺炎
核心结论：
- 6种有监督的机器学习模型中 XGB 测试集性能最佳，AUROC：0.884（0.870~0.898）
- 在最佳阈值下，模型灵敏度为 0.803（0.772~0.832），特异度为 0.828（0.816~0.839）。模型预测风险与实际风险之间具有高度一致性（Brier：0.081，0.075~0.086）
- 基于SHAP法的模型解析发现，呼吸频率、心率、T淋巴细胞亚群、红细胞体积分布宽度-SD等指标是儿童CAP重症化的关键预测因子
2.4 基于常规实验室指标的幼儿重症肺炎风险机器学习模型
2025-12-17 文章链接
数据说明：
- 2013 年 1 月至 2023 年 8 月，中国安徽省儿童医院85,886名肺炎患儿
- 纳入与排除标准：纳入5岁以下、住院至少24小时且符合《国际疾病分类第十版》（ICD-10）肺炎诊断标准的儿童；排除实验室数据缺失超过50%或存在不合理实验室值（如细胞计数为负）的病例
- 外部验证数据：浙江大学医学院附属儿童医院重症监护数据库 PIC
核心结论：
- 单因素逻辑回归识别出50个与重症肺炎相关的候选特征（P<0.10）；经SelectFromModel算法筛选，最终得到17个按预测重要性排序的生物标志物，包括氯（Cl）、葡萄糖（GLU）、乳酸脱氢酶（LDH）等
- 基于17个生物标志物训练的9种机器学习模型进行入院24小时内重症肺炎诊断预测；其中CatBoost模型性能最优（AUC=0.879），其次是XGboost（0.876）、LightGBM（0.876）和GBM（0.873）
- 在保持性能不变的情况下，精简CatBoost模型特征为11个生物标志物：Cl、GLU、直接胆红素（DBil）、血尿素氮与肌酐比值（BUN/SCr）、LDH、淋巴细胞比率（LY%）、胆碱酯酶（CHE）、间接胆红素（IBil）、尿酸（UA）、血小板分布宽度（PDW）、γ-谷氨酰转移酶（GGT）
- 精简后CatBoost模型测试集表现，AUC=0.879、准确性=0.800、敏感性=0.774、特异性=0.826、F1分数=0.795、AUPR=0.881；外部验证表现良好，AUC=0.839
- 根据 SHAP 依赖图确定了临床相关阈值：Cl≤103 mmol/L和LDH≥298 IU/L会增加重症肺炎概率，而GLU≤5.7 mmol/L和LY%≥43.2%会降低风险
2.5 可解释性机器学习模型预测肺炎患者住院死亡率
2025-09-29 文章链接
数据说明：
- 回顾性多中心，包括 MIMIC-IV（9,410名患者），MIMIC-III（2,487名患者）、eICU（13,541名患者）和复旦大学内部；其中 MIMIC-IV 为训练集，后三个为外部验证集
- 研究结果显示该队列包括 25,783 名肺炎患者，数据库死亡率为 17.1%-38.3%
核心结论：
- 使用了 Boruta 算法进行特征筛选，找到 21 个重要特征变量；机器学习建模+SHAP 分析后，最终确定了九个始终重要的特征：年龄、舒张压、心率、体温、呼吸频率、肌酐、血尿素氮、血小板计数和白细胞计数
- XGBoost 表现最佳，训练集 AUC 0.747（95% CI：0.733–0.761）， 测试集 AUC为0.672（MIMIC-IV）、0.670（MIMIC-III）、0.695（eICU）和0.653（FAHZU）
- SHAP分析显示血小板计数是最具影响力的预测因子，其次是血尿素、氮和年龄
2.6 基于Shapley 加法解释法的肺病 ICU 患者死亡率预测模型
2024-09-13 文章链接
数据说明：
- eICU-CRD（2014-2015）成人肺炎患者，考虑入 ICU 之后的前 24h 数据
- 在10,962名肺炎（ICD9+诊断关键词匹配）患者中，住院死亡率为16.33%
核心结论：
- XGBoost 模型预测性能最佳（AUC：0.778 ± 0.016），比传统评分和其他方法高 10%
- SHAP 分析确定天冬氨酸氨基转移酶（AST）是主要预测因子，其次是患者年龄、白蛋白、BMI等
2.7 可解释性机器学习模型用于预判中风相关肺炎的早期诊断
2024-11-08 文章链接
数据说明：
- 纳入标准，年龄≥18岁，首次ICU住院，住院时间>24小时，且入院前未接受有创机械通气
- 筛选出 11,988 例 MIMIC-IV 患者数据库用于训练，34,885例 eICU-CRD 患者数据库外部验证
- 特征变量纳入五类共 41 个（排除了 10 个缺失率>50%的变量）：人口统计学特征、其他静态信息（如ICU前住院时长）、生命体征、实验室数据（血气、肝肾功能等）、临床评分（如SOFA、GCS）
核心结论：
- CatBoost 模型在测试集 AUC 达 0.881，外部验证集 AUC 为 0.750
- SHAP分析显示，对预测影响最大的前5个特征依次是：格拉斯哥昏迷评分（GCS）、身体质量指数（BMI）、动脉血氧分压（PaO₂）、呼吸频率（RR）和ICU入院前住院时长（LOS before ICU
- 使用上述5个关键特征的简化CatBoost模型，在测试集中AUC达到0.86
3 治疗干预
3.1 胰腺癌新药 3 期试验生存时长翻倍
2026-06-16 文章链接
- 新型靶向治疗药物 Daraxonrasib 通过识别并拉住处于活性状态的RAS蛋白来阻止癌变信号的传递
- 可用于晚期抗肿瘤活性，不良反应目前也只是以轻度皮疹、胃肠道反应为主，适用其它RAS驱动型癌症
- 3期试验的试验对象均为经治转移性胰腺癌患者。其中，RAS G12突变亚组里，Daraxonrasib中位总生存期可达13.2个月，而化疗患者是6.6个月，两组死亡风险比均为0.40（P＜0.001）