重症肌无力加重的预测：一种结合可穿戴设备和患者自报数据的机器学习算法

《Annals of Clinical and Translational Neurology》：Prediction of Myasthenia Gravis Worsening: A Machine Learning Algorithm Using Wearables and Patient-Reported Measures

重症肌无力（MG）患者通过MyaLink远程监测平台，结合可穿戴设备、患者自测及报告数据，开发机器学习模型预测病情恶化。研究显示，整合多源数据（如血氧、步数、肺活量等）的模型AUROC达0.85，敏感度0.82（允许2次/周假警报），10天内可预警恶化。可穿戴设备（SpO?、脉搏）单独使用表现更优，患者自评量表（MG-ADL、SSQ）亦为重要预测因子。

　　Myasthenia gravis（MG）是一种罕见的自身免疫性疾病，主要特征是肌肉疲劳和肌力波动，可能引发危及生命的临床危机。由于患者往往面临就医资源有限、病情变化难以及时察觉等问题，早期干预变得尤为重要。本研究旨在开发一种基于多模态远程医疗数据的预测模型，用于识别MG病情恶化的迹象，从而实现更早的临床干预和治疗。

研究团队采用了一种机器学习线性分类器，通过整合患者自述结果（PROMs）、患者自行测量（PPMs）以及可穿戴设备收集的数据，对MG病情恶化进行预测。这些数据包括患者的症状评分、呼吸功能测试以及心率、血氧饱和度等生理指标。通过随机对照试验，研究者对30名MG患者进行了为期12周的跟踪，以评估这些数据在预测病情恶化中的有效性。研究结果显示，使用所有输入信号时，模型的预测性能达到最佳水平，其AUROC（曲线下面积）为0.85（95%置信区间为0.77–0.91），并且在4至10天的回顾窗口内表现稳定。当允许每周出现1至2次误报（FA）时，模型的敏感度分别为0.65（0.48–0.83）和0.82（0.60–1.00），表明该模型在预测MG恶化方面具有良好的性能，同时保持了可接受的误报率。

该研究的模型基于MyaLink这一远程医疗平台，该平台由柏林夏里特大学医学院和Qurasoft GmbH联合开发，并在设计过程中充分考虑了患者的需求。MyaLink不仅是一个用于收集患者数据的应用程序，还包括医生端的网络门户，使得医生可以实时访问患者的数据，从而调整治疗方案和管理患者。这种整合方式使得医生和患者之间的信息交流更加高效，有助于提升疾病管理的连续性和个性化。

研究发现，患者的自述结果（PROMs）在病情恶化前就能反映出症状的加重，而可穿戴设备的数据则在单独使用时表现出更高的预测能力。例如，通过监测血氧饱和度（SpO?）和步数，可穿戴设备能够捕捉到患者在恶化前的细微变化。这表明，虽然PROMs和PPMs提供了重要的主观症状信息，但可穿戴设备所收集的客观生理数据在预测病情恶化方面更具优势。研究团队还发现，使用所有数据源的模型在预测准确性上优于单独使用某一类数据，强调了多源数据整合在远程医疗中的重要性。

在模型构建过程中，研究者采用了数据预处理和特征提取的步骤，以提高预测的准确性。例如，将每分钟的可穿戴设备数据转换为每日平均值，以减少数据波动对模型的影响。此外，对于SpO?数据，仅在心率数据也同时可用的情况下进行分析，因为心率的稳定性更高。研究还排除了患者在轮椅上活动期间的步数数据，以确保数据的真实性和代表性。在某些情况下，患者可能会因为误用设备或技术问题导致数据异常，如某些患者在特定时间段内记录了异常高的步数，这些数据被排除在分析之外。

模型的训练和验证过程采用了“留一法交叉验证”（LOSO-CV），以确保模型在不同个体之间的泛化能力。模型通过计算输入信号与“恶化前模板”的相似性来进行预测，其中模板是基于每位患者在恶化前的信号平均值构建的。通过滑动模板在信号上进行卷积操作，模型能够生成时间序列的相似性指标，这些指标反映了患者当前信号与恶化前模式的匹配程度。最终，模型输出被转换为一个概率值，表示患者当前状况与恶化前状态的相似程度。

在模型解释方面，研究团队发现某些输入信号对预测MG恶化具有更高的重要性。例如，PROMs中的MG-ADL（日常活动能力评分）和SSQ（单个简单问题）被证明是重要的预测因子，而PPMs中的FVC（最大吸气量）和SBCT（单次呼吸计数测试）同样显示出显著的预测能力。可穿戴设备中的SpO?和心率也被认为是关键指标，相比之下，步数的重要性较低。这些发现表明，不同类型的信号在预测模型中的作用存在差异，某些信号可能比其他信号更能反映病情的变化。

尽管该模型在预测MG恶化方面表现良好，但研究者也指出了其局限性。首先，研究样本量较小，且观察时间较短，这可能影响模型的泛化能力。其次，部分数据是通过回顾性方法收集的，这可能限制了对恶化时间点的精确度。此外，由于研究主要针对熟悉数字技术的患者，可能存在选择偏差，影响模型的代表性。同时，模型并未考虑个体之间的差异，如疾病严重程度、个性特征和焦虑水平，这些因素可能影响症状报告和可穿戴设备数据的准确性。因此，未来的研究需要进一步优化模型，以提高其在不同患者群体中的适用性。

在临床应用方面，该模型可能对MG患者具有重要的价值。尤其是对于那些病情不稳定、生活在偏远地区或无法频繁前往专科医院的患者，远程监测系统能够提供更及时的病情反馈，帮助医生做出更准确的判断。此外，通过实时数据采集和分析，医生可以更早地识别病情恶化的迹象，并采取相应的干预措施，从而减少住院率和病情恶化的风险。然而，由于模型的敏感度和特异性之间存在一定的权衡，未来的研究需要进一步探索如何在保持较高预测准确性的同时，降低误报率，以避免不必要的医疗干预。

此外，研究还强调了数据采集频率对模型性能的影响。在某些情况下，降低可穿戴设备的数据采集频率会导致预测性能下降，这表明频繁的数据采集对于提高模型的准确性至关重要。然而，频繁的数据采集可能会增加患者的负担，特别是对于需要主动报告的PROMs和PPMs而言。因此，在未来的模型优化中，需要在数据采集频率和患者负担之间找到一个平衡点。

总体而言，本研究为MG的远程监测和预测提供了重要的见解。通过整合多种数据源，研究团队开发出一个能够有效预测病情恶化的模型，这可能为临床决策提供支持，并改善患者管理。然而，研究也指出了当前模型存在的挑战，包括样本量不足、数据采集方法的局限性以及个体差异对模型性能的影响。未来的研究需要进一步探索如何优化这些方面，以提高模型的实用性并推动其在临床中的广泛应用。