基于人工智能的高分辨率食管测压术中运动模式的诊断研究——一项多中心、多设备协作研究

《Clinical and Translational Gastroenterology》：Artificial Intelligence Driven Diagnosis of Motility Patterns in High-Resolution Esophageal Manometry – A Multicentric Multidevice Study

食管动力障碍（EMDs）的机器学习模型研究基于芝加哥分类，通过多中心（西班牙和美国）618例高分辨率食管测压（HREM）数据训练验证ML模型，梯度提升树模型在EGJ出道障碍检测中准确率94.2%，xGBoost模型对蠕动障碍检测准确率80.9%，验证了AI标准化诊断潜力。

　　

摘要 通俗语言总结

---

引言：

食管运动障碍（EMDs）在临床实践中很常见，具有较高的症状负担，并对患者的生活质量产生显著影响。高分辨率食管测压（HREM）是评估功能性食管障碍的金标准。芝加哥分类法为HREM提供了一种标准化方法。然而，HREM在数据分析和可及性方面仍然较为复杂。本研究旨在开发和验证基于芝加哥分类法的机器学习（ML）模型，以检测EMDs。

方法：

我们回顾性地分析了来自三个中心（西班牙和美国）的618份HREM检查结果，这些检查使用了两种记录系统。专家共识将数据标记为“存在障碍”或“不存在障碍”，具体分为两类：食管胃交界处（EGJ）流出障碍和蠕动障碍。我们训练并评估了多个ML模型。模型训练/验证和测试采用了80/20的患者分层划分方法。模型选择通过重复的10折交叉验证进行内部评估。模型性能通过准确率和接收者操作特征曲线下面积（AUC-ROC）来评估。

结果：

GradientBoostingClassifier模型的表现优于其他ML模型，其在识别食管胃交界处流出障碍方面的准确率为0.942±0.015，AUC-ROC为0.921±0.041；xGBClassifier模型在识别蠕动障碍方面的准确率为0.809±0.029，AUC-ROC为0.871±0.027。模型在多次验证中的表现一致，显示出其鲁棒性和泛化能力。

结论：

这项多中心、多设备的研究表明，ML模型能够准确检测HREM中的EMDs。基于AI的HREM可能通过标准化解释结果和减少观察者间的差异来提高诊断准确性。

通俗语言总结：食管运动障碍（EMDs）会影响患者的生活质量，通常通过高分辨率食管测压（HREM）进行诊断。本研究基于芝加哥分类法开发了机器学习（ML）模型来检测EMDs。研究人员分析了来自西班牙和美国的618份HREM检查结果，并通过专家共识对障碍进行了标记。GradientBoostingClassifier模型在识别食管胃交界处流出障碍方面的准确率为0.942，AUC-ROC为0.921；xGBClassifier模型在识别蠕动障碍方面表现良好。这些ML模型可以通过标准化HREM的解释结果并减少观察者间的差异来提升诊断准确性。

本文本由机器生成，可能存在不准确之处。常见问题解答