编辑推荐：
肺癌筛查（LCS）对无症状患者意义重大，但行政代码易误判。研究人员开发并验证自动识别 LCS 的算法。结果显示，该算法敏感度达 97%、特异性 79%，比行政代码更精准，有助于准确评估 LCS 效果，推动相关研究发展。
在医学领域，肺癌是严重威胁人类健康的 “杀手”。肺癌筛查（Lung Cancer Screening，LCS）使用年度低剂量胸部计算机断层扫描（Low-Dose Computed Tomography，LDCT）能有效降低肺癌死亡率，已被纳入国家指南。然而，在利用常规健康数据进行 LCS 相关研究时，却遇到了难题。以往研究多依靠行政计费代码来衡量 LCS，但这种方式存在严重缺陷。诊断性检查（比如因体重减轻等症状而进行的检查）若未被严格排除，会导致研究结果出现偏差。例如，在国家肺癌筛查试验（National Lung Screening Trial，NLST）中，有症状个体被误计为 “筛查对象”，使得异常扫描、手术及其他危害和肺癌检测的估计率被人为抬高。此外，将用于其他指示（如根据 Fleischner 标准进行的结节监测）的 LDCT 纳入，也会造成分类错误，夸大 LCS 的使用情况。而人工图表审查虽为金标准，却耗时费力。为了解决这些问题，来自美国旧金山退伍军人医疗保健系统（San Francisco VA Health Care System）等机构的研究人员开展了一项研究，旨在开发并验证一种能自动识别用于 LCS 的胸部成像检查的算法。该研究成果发表在《Journal of General Internal Medicine》上，对推动 LCS 研究的发展具有重要意义。
研究人员用到的主要关键技术方法包括：首先，利用退伍军人事务部（Veterans Health Affairs，VHA）的行政代码和文本字段数据，开发了一种四步算法。通过查询特定的当前程序术语（Current Procedural Terminology，CPT）代码确定门诊胸部 CT 成像，并搜索放射学订单中的筛查术语、诊断术语和 Fleischner 相关术语；其次，采用人工图表审查作为金标准，对算法筛选出的 “筛查” 扫描进行 100% 审查，对 “非筛查” 扫描随机抽取超过 10% 进行审查；最后，运用标准的统计分析方法，计算算法的敏感度、特异性、阳性预测值（Positive Predictive Value，PPV）和阴性预测值（Negative Predictive Value，NPV）等指标。
研究结果如下：
- 研究队列特征：研究队列从 320 万 VHA 初级保健人群中抽样，最终纳入 4503 人。其中男性占 82%，白人占 75%，27% 拥有大学学位，19% 符合 LCS 资格。
- 算法性能评估：对 1279 次门诊胸部 CT 扫描进行分析，算法无法分类 22% 的扫描，这些大多为非筛查扫描，被排除分析。在符合 LCS 资格的个体中，算法识别 LCS 胸部成像的敏感度为 97%（95% CI 91–99%），特异性为 79%（95% CI 58–93%）。在所有个体中，算法表现相似，PPV 为 90%，NPV 为 93%。
- 算法与行政代码比较：与行政代码相比，算法准确性更高。行政代码识别为 LCS 的扫描中，实际只有 69% 为真正的筛查，而算法识别为筛查的扫描中，95% 经人工审查确为筛查。
研究结论和讨论部分指出，该新型自动化算法在识别 LCS 成像研究方面表现出色，能准确区分筛查和诊断性胸部成像，这是在非随机环境中对 LCS 进行无偏分析的必要步骤。研究还强调了依赖未经验证的行政代码存在的局限性，准确识别胸部 CT 筛查扫描对高质量的 LCS 健康影响研究至关重要。尽管该研究存在一定局限性，如数据可能无法推广到非 VHA 环境、部分扫描无法分类等，但算法仍具有重要价值，为后续研究奠定了基础，后续还需在非 VHA 健康系统中进一步验证该算法。
