论文视频
一种机器学习模型，用于利用治疗早期体重变化特征预测减重成功率
一句话总结：Shahabi 等基于三项减重试验（SMART、Opt-IN、ENGAGED，共1,058例肥胖参与者）的回顾性队列研究，采用随机森林分类器训练预测模型，并以80% SMART数据训练、20% SMART数据及另两项试验数据验证，发现模型预测6个月减重成功的AUROC达84.5%、AUPRC达86.
参考文献与摘要
参考文献：Farzad Shahabi. A machine-learned model for predicting weight loss success using weight change features early in treatment[J]. npj Digital Medicine, 2024.
利用机器学习预测南亚心血管疾病风险因素的控制医学
一句话总结：Reuter 等基于两项已完成随机对照试验的纵向数据（纳入1,502例印度和巴基斯坦城市糖尿病患者）的机器学习预测模型研究，采用随机森林分类器预测基线后1年未能达到心血管风险因素控制目标或实现有意义改善的风险，发现将预测风险评分处于最高四分位的患者识别为高危人群时，预测未达标的精确率分别为HbA1c
参考文献与摘要
参考文献：Anna Reuter. Predicting control of cardiovascular disease risk factors in South Asia using machine learning[J]. npj Digital Medicine, 2024.
比较SHAP与临床友好解释，揭示对临床决策行为的影响医学
一句话总结：Hur 等基于63名外科医生和内科医师的随机对照试验，采用反平衡设计比较三种临床决策支持系统解释方法（仅结果、SHAP解释、临床解释）对临床决策行为的影响，发现提供临床解释显著提升临床医生的接受度（优于仅结果和SHAP解释），且信任度、满意度和可用性与接受度正相关，提示在AI辅助临床决策中应优先采用
参考文献与摘要
参考文献：Sujeong Hur. Comparison of SHAP and clinician friendly explanations reveals effects on clinical decision behaviour[J]. npj Digital Medicine, 2025.
一种机器学习模型，用于利用治疗早期体重变化特征预测减重成功率
一句话总结：Shahabi 等基于三项随机对照试验（SMART、Opt-IN、ENGAGED，共1,058例肥胖个体）的机器学习模型研究，采用随机森林分类器训练并测试（80% SMART数据训练，20% SMART及另两项试验共529例验证），发现模型预测6个月减重成功的AUROC为84.5%、AUPRC为86
参考文献与摘要
参考文献：Farzad Shahabi. A machine-learned model for predicting weight loss success using weight change features early in treatment[J]. npj Digital Medicine, 2024.