基于机器学习和贝叶斯生成图模型的功能性肠病患者生活体验深度表型分析

本研究通过机器学习与贝叶斯生成图模型框架，对功能性肠病（FBD）患者队列（n=1175）进行深度表型分析，揭示了生活影响（如日常活动受限、就业状况）和心理健康指标（如焦虑抑郁程度）是预测患者自评健康（R2 0.35）与生活质量的核心因素，而非传统诊断分类。研究挑战了以症状学为基础的疾病分类范式，为个体化医疗（如治疗反应分层）和临床试验设计提供了新视角。

　　

引言

当代临床管理依赖诊断标签作为治疗的主要指导。然而，个体患者的生活体验远比标准诊断类别所反映的更为广泛。功能性肠病（FBDs）尤其如此，这是一组异质性且具有挑战性的综合征，缺乏明确的诊断测试、临床生物标志物或普遍有效的治疗方法。面对显著的患者异质性，表征疾病与生活体验之间的联系需要对多种特征之间相互作用的深度表型分析，这很可能只有通过复杂的建模方法才能实现。

研究方法与队列

在一项大型患者队列（n=1175）中，研究人员开发了一个机器学习和贝叶斯生成图框架，以更好地理解FBDs的生活体验。研究迭代了来自常规临床护理的59个因素，涵盖患者人口统计学、诊断、症状学、生活影响、心理健康指数、医疗保健获取需求、COVID-19影响以及治疗效果。机器学习模型用于量化从一个特征预测其余特征的预测保真度。贝叶斯随机块模型用于描绘支撑FBDs异质性生活体验的网络社区结构。

研究结果

机器学习模型预测表现

机器学习模型量化了患者个人健康评分（R² 0.35）、焦虑和抑郁严重程度（R² 0.54）、就业状况（平衡准确度96%）、医疗就诊频率（R² 0.71）以及患者报告的治疗效果（R²范围0.08–0.41），其表现各不相同。与许多医疗保健专业人员的观点相反，患者报告的健康和生活质量的最大模型预测因素是生活影响、心理健康、就业状况和年龄，而不是诊断组或症状严重程度。对一种治疗有反应的患者更可能对另一种治疗有反应，而许多其他患者则对所有治疗均无效。

症状负担与生活质量的关联

模型相对较好地预测了症状负担和生活质量指标，主要依赖于生活影响、心理健康和年龄来告知模型，但值得注意的是，诊断标签并未被选中。例如，预测患者健康评分的首要预测因素是疾病对日常生活活动（ADLs）的影响，其中更大的（即更有害的）ADLs影响与患者报告较低（即更差）的个人健康评级相关。疼痛严重程度的最高建模关联是疾病对日常生活活动的影响、焦虑和抑郁的存在以及患者的个人健康评级。生活质量预测则最好地由疾病对日常活动的影响、焦虑和抑郁的存在以及肠道症状对工作的影响来预测。

生活影响的关联

模型准确预测了生活影响目标，主要信息来源于医院就诊数据、就业状况、其他生活影响指标、心理健康和疼痛数据，但诊断标签同样未被选中。患者就业状况可以通过机器学习模型预测（模型在235个样本外测试案例中正确预测了229个就业状况）。就业状况的最大建模预测因素是肠道症状对日常活动的影响程度。相反，患者报告的肠道症状对日常活动影响的最大预测因素是失业。患者肠道症状的医疗就诊频率的预测因素不是肠道症状学，而是医疗保健获取/门控（即是否已熟悉该服务）、对就业和生活的影响以及心理健康的组合。

治疗效果的关联

预测患者感知治疗效果的模型表现更为多变。尽管表现各异，在解释时应谨慎，但患者报告的对一种干预措施的治疗反应在很大程度上可以预测对另一种干预措施的反应。相反，对一种干预措施无效的患者可能对其他所有干预措施都无效。诊断标签仅在八个治疗模型中的一个中出现，且该模型的预测性能也显著较差。

生成网络社区结构

研究人员构建了一个包含所有因素作为节点的嵌套生成随机块模型，边权重为每个机器学习模型中的特征贡献，揭示了患者因素的复杂社区结构。这大致组织为疾病分类学、生活影响、治疗效果和症状学等领域。网络结构重申了症状和生活影响因素的重要性，而非诊断相关因素。对生成网络结构的定量分析发现，由便秘或腹泻疾病分类学组成的节点社区具有显著高于所有其他节点块的枢纽中心性（衡量节点连接到其他因素的频率，无论其信息性或权威性如何）。同时，由治疗效果和生活影响指标组成的两个社区具有显著更高的特征向量中心性（衡量节点在整个网络中的“影响力”）。类似地，与益生菌和泻药治疗效果相关的节点社区，以及与生活影响相关的节点社区，产生了显著更高的权威中心性（衡量节点对网络中其他节点的信息性和权威性）。

讨论与临床意义

本研究的主要发现有两点：首先，以前所未有的细节揭示了患者报告的症状负担、生活质量、生活影响和治疗效果的关联，并提供了预测它们的框架。其次，我们的生成网络分析，总结了一个全面的机器学习建模框架的输出，揭示了这些患者因素的高维社区结构。这个过程正式量化了尽管我们对患者进行分类的疾病分类学领域是连接患者健康和福祉许多方面的网络枢纽，但它们在描述患者健康的更广泛方面的影响力（或权威性）很差。相反，患者报告的治疗效果和疾病对患者日常生活的影响在数量上更具权威性和影响力。

研究结果对临床实践具有多重启示。就业状况作为生活影响的有力预测因素，可以通过初次咨询时的简单筛查问题进行操作化，在发现失业时触发更全面的评估。机器学习框架可以作为临床决策支持工具部署，提供医疗保健利用需求的实时预测，从而优化资源分配，并识别需要更强化支持的患者。对于临床试验设计，我们发现治疗反应者聚集在一起而非反应者对所有干预措施均无效的发现具有直接意义。未来的试验可以基于预测的治疗反应概率对患者进行分层，可能使用源自先前治疗反应、就业状况和生活影响指标的复合评分。这种方法可能实现更高效的试验设计，在反应亚组中检测治疗效果所需的更小样本量，以及为无效人群开发靶向干预措施。

研究局限性

本研究量化了在常规临床护理中可行获取的患者因素广度，范围从人口统计学、诊断信息、症状学、生活质量、医疗保健获取到患者报告的常规治疗的有效性。一个局限性是我们没有量化更全面和/或专业的检查（例如，微生物群、胃肠道影像学、遗传学或详尽的合并症数据列表），因为这会限制研究结果在未将这些作为常规护理部分的中心中的适用性和普遍性。我们无法控制个体同意参与研究或其个体应答率；因此，可能存在选择偏倚。最后，本研究并非旨在调查定向效应，也不涉及超出合理计算能力的详尽统计推断。

结论

研究人员展示了一种用于深度表型分析患者疾病和生活体验的机器学习和贝叶斯生成网络方法，并首次应用于表征FBDs。这种生成假设的框架揭示了一个大型代表性队列中患者报告的症状负担、生活质量、日常生活影响和治疗效果的模型预测因素的新见解。引人注目的是，这些预测因素常常与我们作为医疗保健专业人员通常预设的最重要因素相悖。替代疾病分类或症状严重程度，这些最好地通过疾病对日常生活的影响、就业状况、医疗保健获取和心理健康来预测。个体心理健康的建模预测因素是他们获取医疗保健的机会。尽管并非明确的因果关系，但我们敦促应最大化医疗保健获取，并且对这些个体需要采用整体性的咨询方法。患者往往对多种疗法有反应或对所有疗法均无效，对无效性的更深入理解应成为未来的研究重点。通过在此展示我们的框架在FBDs中的应用，我们希望促进在更广泛的健康范围内对患者生活体验的进一步研究。