每日医学AI论文简报 v0.3
[日报]日期： 2026-08-10 来源： PubMed + arXiv | 分析： DeepSeek-v4-flash（PMC HTML解析，含表格+图注） 过滤： 近3天滚动窗口 | 期刊门槛(IF≥3/未收录放行) | 去重+状态追踪（PMID/DOI/标题） | 双层相关度（硬规则+LLM显式标准） | 研究设计识别 | PMC全文优先（不足摘要级补齐） | 复合排序
💡 今日学习推荐 CS231n 卷积神经网络（Stanford） — 一、卷积神经网络（CNN）架构（进度0%） ⏭ 下一步：CS229 机器学习讲义（Andrew Ng）
1. Inter-hospital ICU-to-ICU transfer of critically ill COVID-19 patients is not associated with increased mortality: a systematic review with exploratory meta-analysis. 🆕
Sci Rep (IF: 3.8) | 2026 Aug 8 | PubMed ⚠️ | DOI | ✅ 高置信 | 研究设计: Meta-Analysis
分析来源： PMC全文
领域： 重症医学 / 传染病 / 卫生服务研究
方法： 系统综述与Meta分析。遵循PRISMA 2020，注册PROSPERO（CRD420261356915）。检索PubMed、Web of Science、Scopus，纳入比较COVID-19成人ICU患者院内转运与非转运临床结局的观察性研究。双人独立筛选、提取，使用Newcastle-Ottawa Scale和ROBINS-I评估偏倚风险，GRADE评估证据确定性。分别对不同效应量进行随机效应Meta分析（Hartung-Knapp法），并做粗效应敏感性分析。
核心发现： 纳入9项观察性研究（约6100例转运患者，29200例非转运ICU患者）。所有调整后效应估计均未显示转运患者死亡劣势有统计学意义。汇总调整后亚组估计：OR=1.29（95%CI 0.84–1.98，k=3），HR=0.71（95%CI 0.34–1.46，k=2）。多数研究中转运患者ICU住院时间更长。现有观察性证据未显示COVID-19 ICU患者院内转运与死亡率明确升高相关，支持将院内转运作为ICU容量激增时的安全策略。
相关度（医学AI研究者）： 该综述系统整合了疫情期间ICU患者转运的观察性证据，可为临床决策支持系统、预测模型中的转运变量权重以及医疗资源配置算法提供循证基础；同时其方法（含对不同效应量的Meta分析和偏倚评估）对AI辅助证据合成研究有参考价值。
一句话： COVID-19 ICU患者院内转运不显著增加死亡风险，但可能延长ICU住院时间，支持容量危机下使用此策略。
2. Performance Comparison Between Domestic and International Large Language Models in Patient Education for Chinese Patients with Lumbar Disc Herniation: A Cross-Sectional Study. 🆕
Digit Health (IF: 23.8) | 2026 Jan-Dec | PubMed ⚠️ | DOI | ✅ 高置信 | 研究设计: Guideline 分析来源： PMC全文（含表格+图注） 领域： 医学人工智能；骨科患者教育；大语言模型评估（腰椎间盘突出症，中国临床情境） 方法： 构建标准化腰椎间盘突出症咨询数据集（覆盖诊断、治疗、手术风险、就医导航），采用统一提示词测试8个模型（4个国际：ChatGPT-4o、Gemini-3.0-Pro、Claude-4.0、Grok-4-auto；4个国内：DeepSeek、Doubao、Qwen-Max、Kimi）。由资深脊柱外科医生盲法评分，使用Mika量表（准确性）、改良DISCERN（可靠性）、EQIP、GQS评估，并通过鲁东大学文本分级平台评估可读性。 核心发现： 模型间存在显著性能差异（P < 0.001）。DeepSeek和Doubao的中位准确性最高（2.00，IQR 2.00–2.00）。出现“能力分化”：国际模型在复杂推理中表现出更强的安全护栏和逻辑稳健性，国内模型在服务情境化和本地资源导航方面有独特优势。目前没有单一模型能完美整合全球医学证据与本地实施情境。总体上“优秀”回答比例<25%，LLM仍只能作为辅助工具。 相关度（医学AI研究者）： 高。提供了首个针对中国腰椎间盘突出症患者教育的多模型、多维度的盲法比较框架，揭示了国内外模型的能力差异与互补性，为本地化部署、RAG优化和患者教育AI的安全评估提供证据基础。 一句话： 该研究表明DeepSeek、Doubao和Gemini是中国腰椎间盘突出症患者教育的优先LLM选择，但所有模型优秀率不足25%，需结合本地指南的RAG增强才能安全应用。
3. Sociodemographic bias in LLMs’ clinical decision-making for dizziness. 🆕
J Vestib Res (IF: N/A) | 2026 Aug 8 | PubMed ⚠️ | DOI | ⚠️ 中置信 | 研究设计: Guideline 分析来源： 摘要
领域： 眩晕症临床决策中的大语言模型社会学人口学偏见研究
方法： 交叉随机化计算机模拟病例研究；基于TiTrATE、SAEM GRACE-3和Bárány Society标准生成100个合成急诊眩晕病例；每个病例以中性形式及33种社会人口学描述符变体（共34种）测试；评估12个指令微调LLM；每个模型-病例-描述符组合重复10次，共204万次响应；量化描述符相对于中性对照的建议偏差百分比及95%置信区间。
核心发现： 社会人口学描述符影响LLM临床建议，尤以诊断不明确病例中的精神健康转诊决策差异最大：黑人跨性别女性转诊率降低12.2个百分点（95%CI -14.0至-10.3），黑人无家可归者降低9.1个百分点（95%CI -11.0至-7.3），无家可归者降低7.7个百分点（95%CI -9.5至-5.9）；低收入描述符的神经影像检查建议增加4.0个百分点（95%CI 2.1-5.8）；更清晰的诊断信息可减弱上述差异。
相关度（医学AI研究者）： 高，提示LLM临床决策支持存在社会人口学偏见风险，且输入临床信息的详细程度可调节偏见强度，对开发结构化输入和偏见缓解策略具有直接意义。