机器学习助力新冠后综合征（PASC）风险预测：开启基层医疗新视野

新冠后综合征（PASC）诊断困难且病因不明。为解决此问题，研究人员开展了基于机器学习预测 PASC 风险的研究。结果显示，该模型能有效预测 PASC，还发现多种相关因素。这为 PASC 基层医疗诊断和病因探究提供了新途径。

　　新冠疫情曾如风暴般席卷全球，给世界带来了巨大的冲击。在疫情逐渐缓和后，一个新的问题却悄然浮现 —— 新冠后综合征（Post-acute sequelae of COVID-19，PASC）。很多新冠感染者在康复后，却被一系列奇怪的症状所困扰，如长期疲劳、呼吸困难、嗅觉味觉障碍等。这些症状严重影响着患者的日常生活，使他们无法正常工作和生活，甚至还成为了常见的病假原因。

然而，目前 PASC 的诊断面临着诸多挑战。既没有客观的诊断测试，也缺乏可用的生物标志物，医生只能依据患者的器官功能障碍、各种症状及其持续时间来进行诊断。而且，PASC 的病理生理学机制也尚未完全阐明，这就如同在黑暗中摸索，让医生们难以精准地治疗患者。

为了攻克这些难题，来自瑞典的研究人员决心展开一项深入的研究。他们深知，找到有效的诊断工具和明确病因，对于改善 PASC 患者的治疗和预后至关重要。于是，他们将目光投向了机器学习技术，希望借助这一强大的工具，为 PASC 的研究带来新的突破。最终，他们的研究成果发表在了《BMC Medicine》杂志上。

研究人员开展了一项基于人群的病例对照研究，研究对象为瑞典斯德哥尔摩地区 18 - 65 岁在基层医疗中心（PHCCs）登记的人群。研究数据来源于 VAL 数据库，该数据库包含了丰富的信息，如基于国际疾病分类第十版（ICD - 10）的诊断信息和基于解剖治疗化学（ATC）代码的处方药物信息。

在研究中，研究人员使用了随机梯度提升（Stochastic Gradient Boosting，SGB）这一机器学习方法。这种方法非常适合分析高维数据，能够处理大量变量，并捕捉预测变量之间复杂的非线性相互作用。与传统的统计模型，如逻辑回归相比，SGB 在处理多变量和复杂数据时具有明显的优势，它可以更好地处理数据中的缺失值和共线性问题。

研究人员收集了患者在 PASC 诊断前一年的所有诊断信息、处方药物信息，以及是否因急性 COVID - 19 住院的信息。他们将这些数据进行整理和分析，通过一系列复杂的计算和模型训练，最终建立了用于预测 PASC 的 SGB 模型。

研究结果

1. 预测能力：SGB 模型展现出了良好的预测准确性。对于女性，模型的受试者工作特征曲线下面积（AUC）达到了 0.804（95% 置信区间：0.789 - 0.819），这意味着在预测女性是否患有 PASC 时，有 80% 的预测是正确的；对于男性，AUC 为 0.839（0.820 - 0.858），预测准确率高达 84%。从混淆矩阵来看，在女性患者中，模型能准确识别出 6210 名未患 PASC 女性中的 5863 名，识别正确率为 95%；同时，能正确识别出 2993 名患 PASC 女性中的 1187 名，识别率为 40%。在男性患者中，模型正确识别出 3678 名未患 PASC 男性中的 3505 名，正确率为 95%；识别出 1398 名患 PASC 男性中的 678 名，识别率为 48%。
2. 变量重要性：研究发现，不同性别中具有显著预测作用的变量存在差异。在女性中，有 17 个变量的标准化相对影响（NRI）≥1%，其中前五位的诊断包括因 COVID - 19 住院（NRI 为 41.7%）、不适和疲劳（14.5%）、病毒感染后及相关疲劳综合征（10.1%）、呼吸困难（8.4%）和上呼吸道感染（5.9%）；排名靠前的药物有用于阻塞性气道疾病的肾上腺素能吸入剂等（2.8%）和全身性使用的激素避孕药（1.3%） 。在男性中，有 15 个变量的 NRI≥1%，前五位诊断为因 COVID - 19 住院（41.7%）、不适和疲劳（11.5%）、病毒感染后及相关疲劳综合征（6.4%）、呼吸困难（8.4%）和咳嗽（4.1%）；主要药物为用于阻塞性气道疾病的肾上腺素能吸入剂等（1.5%）。
3. 边际效应：性别分层统计模型结果显示，男女中 NRI 最高的前五个诊断的边际效应比值比（OR_ME）均大于 1。女性中，这些诊断包括嗅觉和味觉障碍（OR_ME为 28.9）、病毒感染后及相关疲劳综合征（21.1）、因 COVID - 19 住院（18.8）、呼吸困难（6.2）和个人其他疾病史（5.6）。男性中则为因 COVID - 19 住院（31.6）、病毒感染后及相关疲劳综合征（28.4）、不适和疲劳（7.9）、呼吸困难（6.5）和心动过速（5.2）。

研究结论与讨论

这项研究表明，SGB 模型能够有效识别 PASC 与诊断、用药之间的关联。验证了一些已知的风险因素，如先前因 COVID - 19 住院、呼吸和神经系统症状等与 PASC 的相关性。同时，还发现了一些新的预测因素，例如女性患者使用的激素药物与 PASC 的关联，这为进一步研究 PASC 的病因提供了新的方向。

不过，研究也存在一些局限性。比如基层医生可能未记录所有诊断，部分疾病可能存在漏诊情况；研究未区分住院患者的治疗强度；数据基于诊断和药物代码，无法评估一些潜在混杂因素等。但尽管如此，该研究仍具有重要意义。它为 PASC 在基层医疗中的诊断提供了新的方法和思路，有助于医生更好地识别高风险患者，合理分配医疗资源。而且随着更多数据的收集和研究的深入，该模型有望进一步优化和完善，为 PASC 的防治带来更多的希望。未来，还需要在更多人群中对该模型进行外部验证，并结合更多临床数据，如详细的住院信息、生物标志物等，来进一步明确 PASC 的发病机制和危险因素，从而为 PASC 患者提供更精准的治疗和管理。