基于电子病历的住院患者衰弱预测机器学习模型开发与内部验证
利用入院72小时内常规电子病历数据构建的XGBoost模型可在住院早期识别衰弱患者，测试集F2-score为0.755、AUROC为0.777、召回率0.873，校准良好，提示该方法具有早期筛查潜力。 回顾性队列研究，数据来自澳大利亚皇家阿德莱德医院2023年7月至2024年12
多示例学习结合MR波谱区分肿瘤性与非肿瘤性脑病变的回顾性研究
在422例患者、7442条MR波谱数据上，将全谱视为代谢指纹并采用多示例学习建模，最佳配置在独立内部留出测试集上区分肿瘤性与非肿瘤性脑病变的AUC为0.82（敏感度0.76、特异度0.80），提示该方法具有中等判别能力；证据档位为C。 研究设计与做法：回顾性分析单中心（材料未明确
云环境中HPC应用的智能体编排
该报告主题为云环境下高性能计算（HPC）应用的智能体化编排。 摘要仅说明报告系受资助工作成果的记述，未提供研究设计、方法或数据细节。
儿科临床生成式AI开发与实施建议：政策声明
该政策声明认为，生成式人工智能（GenAI）在儿科医疗中具有潜在应用价值，但真实世界验证有限，准确性、偏倚、可靠性与可持续性等问题尚存，因此当前证据不足以支持其在儿科临床的常规落地，需以严格监管与问责为前提推进。 研究设计为政策声明类文献，非原始研究，材料未报告样本量、干预与对照
住院成人脓毒症AI预测模型：系统综述、亚组荟萃分析与临床负担情境分析
系统综述旨在汇总机器学习与深度学习模型对住院成人脓毒症的预测表现，并单独描述相关医疗负担。 纳入相关研究开展系统综述与亚组荟萃分析，并按预测时间窗与验证成熟度分层，另用韩国国家住院索赔数据分析负担。
ICU脓毒症患者血糖追踪与预测的数字孪生框架
本研究报告一个面向ICU脓毒症患者的数字孪生框架，用于实时血糖监测与短期预测；结果显示该框架可在标准笔记本电脑上于数秒内完成新患者的初始化与个性化，并在不同数据条件下维持较准确的血糖预测，属可行性层面的提示性证据。 研究设计为方法学开发与初步部署评估：以连续血糖测量数据训练机器学
人–AI 团队 vs 人–人团队：信息探询如何影响协作决策
背景：传统人–AI 决策研究把过程当作"AI 给建议、人做决定"的线性分段流程；但 LLM 让交互更接近人–人团队的协作——成员必须共享并整合各自独有的信息才能做出好决策。 采用团队研究经典范式 隐藏剖面任务（hidden profile）；操纵团队类型（人–AI 98 组 vs
AlloPool：从分子动力学模拟推断蛋白别构的深度学习框架
AlloPool可基于分子动力学模拟推断蛋白质别构特性。 该框架为图神经网络，通过迭代剪枝残基间相互作用以揭示别构相关网络。
基于常规电子健康记录数据的院内谵妄预测模型：系统综述
该系统综述旨在评估基于常规EHR数据开发的院内谵妄预测模型的构建、验证与临床可用性。 检索PubMed、MEDLINE、Embase、PsycINFO和Web of Science至2025年11月11日，纳入开发预测模型的研究，提取模型特征、验证策略、性能与偏倚风险。
主动推断与"人工推理"：用期望自由能驱动结构学习与规则发现
核心问题：如何采样最能揭示世界模型结构的结果——即在若干生成模型/假设之间做最优实验设计（rule discovery）。 数学工具：主动推断中，策略（动作组合）按期望自由能选择 = 期望信息增益 + 价值；信息增益即"含与不含行动后果"两种预测后验之间的 KL 散度。 计算效率
