基于机器学习的猴痘监测模型在学习型健康系统中的发展：助力传染病防控新突破

为利用临床记录检测猴痘病例开展监测，来自哥伦比亚大学欧文医学中心的研究人员，训练了 LASSO 回归、ClinicalBERT 和 ClinicalLongformer 三种猴痘监测模型。结果显示 LASSO 回归表现最佳，这些模型对猴痘及其他传染病监测意义重大。

　　摘要：
目的：本研究旨在开发基于机器学习（ML）和深度学习（DL）的强大模型，借助临床记录来检测猴痘病例，以用于监测工作。
方法：作为学习型健康系统计划的一部分，研究人员对纽约市哥伦比亚大学欧文医学中心的临床诊疗记录进行了回顾性研究。研究纳入了 2022 年 5 月 15 日至 2022 年 10 月 15 日期间经聚合酶链式反应（PCR）检测确诊的猴痘患者，并且为每位患者匹配了三名基于年龄、性别、种族、民族和就诊月份的对照者。研究人员训练了三种猴痘监测模型：（1）采用 L1 正则化的逻辑回归（最小绝对收缩和选择算子，LASSO）；（2）ClinicalBERT；（3）ClinicalLongformer。研究人员通过精确率、召回率、F1 分数、受试者工作特征曲线下面积（AUROC）、精确召回曲线下面积（AUPRC）以及精确率为 80% 时的召回率（RP80）来评估模型性能。
结果：该研究共纳入 228 例经 PCR 确诊的猴痘病例和 698 例对照者。LASSO 回归在性能上优于深度学习模型，其精确率、召回率和 F1 分数均为 0.93，AUROC 为 0.97，AUPRC 为 0.93，RP80 为 0.89。ClinicalBERT 的精确率为 0.88，召回率为 0.89，F1 分数为 0.88，AUROC 为 0.93。ClinicalLongformer 的精确率为 0.87，召回率为 0.88，F1 分数为 0.87，AUROC 为 0.92。在 LASSO 回归中，与症状（如病变和疼痛）相关的短语是最具预测性的特征之一。
结论：基于临床记录的 ML 和 DL 模型在识别猴痘病例方面具有潜力。在本研究中，LASSO 回归表现优于 DL 模型，在减少假阳性方面尤为出色。这些发现凸显了 ML 和 DL 方法在支持猴痘及其他传染病病例监测方面的潜力。这些方法也可能有助于在持续质量改进过程中，标记出漏诊或延迟诊断的情况。