基于所上传论文文档的摘要与全文内容，按评审标准依次回答如下。 中文标题 基于电子健康记录与机器学习的癌症患者静脉抗生素治疗后48–72小时持续发热预测：一项双中心开发与外部验证研究

《npj Digital Medicine》：Predicting persistent fever in patients with cancer receiving antibiotics: a machine learning approach

　　

： 在接受静脉注射抗生素治疗的住院癌症患者中，发热持续至用药后48–72小时较为常见，并常导致额外影像学检查和抗菌药物升级。早期识别不太可能持续发热的患者，可为临床再评估提供补充信息。研究人员利用两家学术医疗中心的电子健康记录（EHR），开发并在外部验证了用于预测抗生素起始后48–72小时持续发热的机器学习模型。研究纳入用药后24–48小时内出现发热的成年癌症患者，模型整合人口学特征、合并症、实验室结果、生命体征与体温模式等变量。最优模型在内部验证中受试者工作特征曲线下面积（AUROC）为0.82（95% CI 0.79–0.84），外部验证中为0.78（95% CI 0.77–0.79）。体温相关变量是主要预测因子。决策曲线分析（DCA）显示在多数评估阈值范围内具有正向净获益（net benefit）。回顾性评估提示，约四分之一的抗生素升级与胸部CT检查发生在被准确预测为不会持续发热的患者中，凸显发热预测潜在的情境价值。结果表明，利用常规数据可对短期发热持续性进行具临床意义的预测；但临床应用应限于辅助角色而非独立排除决策，并需前瞻性研究验证安全性、医师采纳度与现实影响。

论文解读：

研究背景与问题提出

癌症患者因疾病本身及放化疗导致免疫缺陷，发热病因复杂，临床指南通常推荐经验性广谱抗生素并在48–72小时再评估，必要时行CT成像或升级抗菌治疗。这种做法虽保障安全，但易造成抗菌药物暴露增加与过度检查。现有风险评分如MASCC、CISNE、Talcott规则可评估严重并发症风险，却不能预测抗生素起始后的短期发热轨迹。因此，在免疫受损高危人群中，利用常规电子健康记录（EHR，electronic health record）数据驱动个体化再评估具有迫切需求。

研究人员开展的工作与总体结论

研究人员在《npj Digital Medicine》报道了一项双中心回顾性研究：基于德国Essen大学医学中心（UME）数据开发模型，在美国Brigham and Women’s Hospital（BWH）数据外部验证，构建并评估多种机器学习模型，预测癌症患者静脉抗生素起始后48–72小时持续发热风险。结论是：短期发热持续性可由常规变量以中等判别力预测，体温动态特征贡献最突出；模型应作为辅助风险估计，而非独立排除工具，部署前需本地校准与前瞻验证。

主要关键技术方法

研究使用UME（2020–2025）与BWH（2015–2024）两家三级医院癌症住院队列，限定成人、抗生素后24–48小时发热且48–72小时有体温记录者。特征来自人口学、Elixhauser合并症、实验室与生命体征，重点工程化体温序列特征；采用嵌套5折跨患者交叉验证，比较正则化逻辑回归、Random Forest、XGBoost、CatBoost、TabPFN及朴素基线；用时间序列基础模型Chronos-2预报48–72小时体温最大值作为附加特征；评估指标含AUROC、校准、决策曲线分析（DCA，decision curve analysis）与SHAP（SHapley Additive exPlanations）可解释性；分类阈值经内部Youden’s J确定后锁固定向外部推演。

研究结果

队列构建（Cohort building）

从数万次癌症住院中筛选抗生素使用后发热亚组，最终UME 987次、BWH 7409次住院；持续发热比例分别为54.0%与46.5%，两中心肿瘤构成与监测密度存在差异。

模型性能（Model performance）

所有机器学习模型优于朴素基线（AUROC 0.66）。内部UME中TabPFN最高AUROC 0.82（95% CI 0.79–0.84）；外部BWH中TabPFN为0.78（95% CI 0.77–0.79）。DCA显示较“全部治疗/全部不治疗”在0.20–0.60阈值区间多具有正净获益；外部队列出现系统性过高预测，提示需重校准。高灵敏度 operating point 下负预测值（NPV，negative predictive value）提升但特异度下降。

特征重要性（Feature importance）

SHAP与置换重要性一致显示：预报体温最大值、24–48小时最高/平均体温、体温趋势等体温衍生变量主导预测；心率、平均动脉压、白细胞计数等次之。温度专用模型AUROC约0.70–0.74，去温度模型仅约0.56–0.57。

误差分析（Error analysis）

按人群亚组性能稳定；但外部队列中按24–48小时体温分层显示敏感性随体温升高而升、特异度反向下降，提示阈值依赖异质性。

敏感性分析（Sensitivity analysis）

发热界值由≥38.0℃改为≥38.3℃性能基本不变；降低BWH监测密度后患病率低移但判别力维持；ICU与30天死亡亚组判别不劣于总体。

临床干预分析（Analysis of clinical interventions）

回顾性看，被正确预测不发热者中，28.2%发生了抗生素升级、26.0%做了胸部CT，仅为描述性重叠，不能推断干预多余。

讨论与结论翻译

讨论指出，模型在独立中心保留中等判别力，但校准偏移与温度分层异质说明不能直接跨院套用阈值；假阴性在癌症发热场景后果严重，模型只宜作为再评估窗口的附加信号。自由文本与病原学信息未显著提升性能，前瞻沉默部署、按预定 operating point 评估安全性是下一步。

研究结论部分翻译：

“在住院癌症患者接受广谱抗生素后，机器学习模型于开发点与外部验证点均以中等判别力预测持续发热。动态体温衍生特征承载主要预测信号，提示纵向发热模式提供超越单次体温测量的信息。模型应被视为辅助性风险估计而非治疗建议，不可作为抗菌药物或诊断决策的唯一排除工具。临床落地需本地校准、情境化阈值选择，以及针对既定操作点安全性的前瞻性验证。”

你想先把这篇解读整理成审稿意见、学术海报还是汇报PPT？

审稿意见

学术海报

汇报PPT

审稿意见

学术海报

汇报PPT