编辑推荐：
血沉（ESR）作为传统炎症标志物，特异性和敏感性欠佳。研究人员对比三种自动分析仪与韦斯特格伦法测量 ESR 的等效性，并运用机器学习（ML）评估早期沉降动力学在炎症疾病分类中的作用。结果显示自动法与金标准一致性良好，ML 模型有一定准确性。该研究为疾病诊断提供新思路。
在医学检验领域，血沉（Erythrocyte Sedimentation Rate，ESR）是一位 “老资历” 的指标。自 19 世纪被发现以来，它一直作为炎症的传统标志物被广泛应用。ESR 通过测量抗凝血液样本中红细胞在血浆中的聚集速率（通常为 60 分钟内，以毫米每小时，即 mm/h 为单位），来反映身体的炎症状态 。其操作简单、成本低廉，在临床诊断和监测炎症性疾病、风湿性疾病及部分癌症等方面发挥了重要作用。
然而，ESR 并非完美无缺。它的特异性和敏感性不尽人意，受年龄、性别、生活方式和代谢异常等多种因素影响 。在脓毒症等疾病的早期检测中，ESR 的表现也差强人意，无法为临床医生提供精准的诊断依据 。在脓毒症的诊断上，其预测菌血症和 DNA 血症的 AUC 仅为 0.540（95% CI：0.469 - 0.611） 。随着医疗技术的发展，临床对疾病诊断的准确性和及时性提出了更高要求，传统的 ESR 检测方法面临着巨大挑战。因此，寻找一种更精准、高效的方式来利用 ESR 进行疾病诊断成为医学研究的迫切需求。
为了解决这些问题，来自意大利帕多瓦大学医院（University Hospital of Padua）等机构的研究人员开展了一项别具一格的研究。他们试图评估三种自动分析仪与韦斯特格伦（Westergren）法测量 ESR 的等效性，并借助机器学习（Machine Learning，ML）技术，探索早期沉降动力学在炎症性疾病分类中的价值。该研究成果发表在《Clinica Chimica Acta》杂志上，为血沉检测的临床应用带来了新的曙光。
在研究过程中，研究人员采用了多种关键技术方法。样本方面，选取了来自不同临床科室的剩余血液 K2-EDTA 样本，包括风湿科病房（n = 32）、肿瘤科病房（n = 103）、重症监护或急性炎症病房（n = 107）的患者样本，以及作为对照组的门诊患者样本（n = 104），还纳入了第二组用于验证的健康受试者（n = 23）和确诊脓毒症患者（n = 21）的样本。检测仪器上，使用 Test 1、VES-MATIC 5、CUBE 30 TOUCH 自动分析仪和韦斯特格伦法测量 ESR，同时用 XN10 和 XN20 测定全血细胞计数（Complete Blood Count，CBC）。数据分析上，运用 R 语言和 Stata 软件，采用多种统计分析方法以及 ML 算法进行模型训练和验证。
下面来看看具体的研究结果：
- ESR 可比性评估：研究人员对 346 份全血样本进行分析，发现 Test 1、VES-MATIC 5、CUBE 30 TOUCH 这三种自动分析仪与韦斯特格伦法的测量结果高度相关，但自动分析仪存在一定的偏差，会高估 ESR 值 。其中，CUBE 30 TOUCH 与韦斯特格伦法的偏差为 20.16%（95% CI：15.76 - 24.55，p < 0.0001） 。
- ESR 及 CUBE 30 TOUCH 测量的沉降率随时间变化：经 CUBE 30 TOUCH 测量，ESR 值在不同性别和疾病组间存在差异 。女性的 ESR 中位数高于男性（女性为 25（IQR：12 - 67），男性为 17（IQR：6 - 66），p < 0.004） 。此外，不同疾病组的沉降率斜率在不同时间间隔也有显著差异，脓毒症 / 急性炎症状态组的斜率模式尤为独特 。
- 基于沉降率斜率的 ML 分析预测患者病理状况：利用 CUBE 30 TOUCH 的测量数据，结合年龄、性别、CBC 和 ESR 结果，运用多种 ML 模型进行预测。结果显示，梯度提升机（Gradient Boosting Machine，GBM）模型表现最佳，但其预测能力仍有限 。在预测脓毒症 / 急性炎症状态时，GBM 模型的敏感性为 0.500，特异性为 0.851 。
- 以脓毒症 / 急性炎症状态为结果的 ML 分析：研究人员构建了一系列逻辑弹性网络和套索模型，对脓毒症 / 急性炎症状态进行预测。在验证数据集中，该模型的 AUC 达到 0.884，敏感性为 96.9%（95% CI：83.8% - 99.9%），特异性为 74.2%（95% CI：55.4% - 88.1%） 。在第二验证队列中，模型性能进一步提升，AUC 达到 0.991（95% CI：0.973 - 1.000），敏感性为 95.2%，特异性为 100% 。
综合研究结果和讨论部分来看，这项研究意义非凡。一方面，研究证实了当前自动 ESR 测量技术与参考方法具有良好的一致性，为临床使用自动分析仪提供了可靠依据。另一方面，研究首次揭示了早期红细胞沉降模式会随病理状况而变化，通过机器学习分析 ESR 沉降动力学，尤其是早期沉降动力学，能够为脓毒症 / 急性炎症状态的预测提供有价值的信息，有望重新确立 ESR 在疾病预测中的临床地位 。尽管该研究存在样本量较小、部分患者群体特征难以准确刻画等局限性，但它为后续更大规模的研究指明了方向。未来，随着研究的深入和数据集的扩大，基于 ESR 沉降动力学和机器学习的诊断方法有望在临床实践中得到更广泛的应用，为疾病的早期诊断和治疗决策提供有力支持。
