基于多维可解释人工智能模型的痛风复发预测：一项中国真实世界多中心队列研究

《BMC Medicine》：Development and validation of a multidimensional and interpretable artificial intelligence model to predict gout recurrence in hospitalised patients: a real-world, ambispective multicentre cohort study in China

本研究针对住院痛风患者复发预测难题，开发了基于3744种算法组合的多维可解释人工智能模型GoutRe。该模型整合82个临床特征，在6526例患者中验证显示优异预测性能（AUC 0.832），识别出住院时长、糖皮质激素使用等20个关键预测因子，并构建在线工具助力临床个体化治疗决策。

　　

当关节突然出现刀割般的剧痛、红肿发热，这往往是痛风急性发作的典型表现。作为最常见的炎症性关节炎，痛风在全球范围内发病率持续上升，中国的成人患病率已达3.2%。更令人困扰的是，痛风具有易复发的特点，住院患者的复发率高达14%-43%，给患者带来反复的剧痛体验，同时增加关节损伤、肾脏疾病和心血管事件风险，造成沉重的医疗负担。

目前临床实践中，血清尿酸(SU)水平常被用作痛风复发风险的替代指标，但单一指标预测能力有限。尽管有研究尝试建立预测模型，但存在样本量小、预测效能有限、依赖主观预测因子等问题。特别是在合并多种疾病的住院痛风患者中，准确预测复发风险更具挑战性。

为解决这一临床难题，李梦等研究人员在《BMC Medicine》发表了题为"Development and validation updates of a multidimensional and interpretable artificial intelligence model to predict gout recurrence in hospitalised patients"的研究。该研究整合中国5家三级医院2010-2024年的真实世界数据，纳入6526例住院痛风患者，开发并验证了一种多维可解释的人工智能模型GoutRe，为痛风复发预测提供了新工具。

研究采用的关键技术方法包括：多中心队列设计（涵盖5家医院回顾性和前瞻性数据）、机器学习算法组合（测试3744种特征选择与分类器组合）、SHAP可解释性分析、以及基于Streamlit的网页工具开发。研究通过严格的内部验证（1746例）、外部验证（360例）和前瞻性验证（346例）评估模型性能。

研究结果

模型开发与性能验证

经过系统筛选，最终确定的GoutRe模型（IterImp_MM_FS_GB）在所有队列中表现出强大的判别能力：训练队列AUC为0.832（95%CI 0.820-0.845），内部验证队列0.785（95%CI 0.763-0.808），外部验证队列0.742（95%CI 0.690-0.793），前瞻性验证队列0.744（95%CI 0.673-0.814）。校准曲线和低Brier分数表明预测结果与观察结果具有良好一致性。

特征重要性分析

SHAP分析确定了20个关键预测因子，其中住院时长(LOS)是最重要的预测因素，其次是糖皮质激素(GCs)使用、血清尿酸(SU)、痛风石、中性粒细胞计数(NEUT)和嗜碱性粒细胞百分比等。这些因素反映了系统性炎症、凝血状态和代谢应激与痛风复发的病理生理学关联。

亚组与分层分析

模型在年龄≥60岁、有痛风石的患者中表现更佳。按入院诊断分组分析显示，肿瘤亚组的预测性能最优（AUC 0.876）。分层分析发现SU≥600μmol/L、NEUT≥7×10⁹/L、估算肾小球滤过率(eGFR)降低与复发风险显著正相关。

临床转化应用

研究团队开发了基于网页的应用程序（http://8.130.130.132:8082/medicine.html），临床医生可通过输入20个关键特征，自动计算个体化复发风险，并通过力导向图直观展示各因素的贡献度。

研究结论与意义

GoutRe模型是首个整合前瞻性与回顾性真实世界大数据的人工智能预测工具，其创新性体现在多维动态指标整合、大规模算法比较和临床实用工具开发。该模型能准确识别高危患者，阴性预测值(NPV)在各队列均超过0.85，有助于临床医生及时调整治疗方案，如优化降尿酸治疗(ULT)或合理使用抗炎药物。

研究首次系统量化了各种因素对痛风复发的贡献程度，为理解复发机制提供了新视角。尽管存在局限于中国人群、部分回顾性数据等限制，但GoutRe模型展现了在复杂医疗环境中辅助临床决策的巨大潜力，为痛风精准管理提供了重要工具。未来需要在更广泛人群中验证并探索将"训练免疫"等新兴机制纳入模型，进一步提升预测效能。