临床决策支持新突破：连续变量Spiegelhalter-Knill-Jones扩展方法在HIV治疗失败预测中的应用

本研究针对临床决策中连续变量信息丢失问题，创新性扩展Spiegelhalter-Knill-Jones(SKJ)方法，通过广义加性模型(GAM)处理连续协变量，在HIV病毒学失败预测中验证其性能。结果显示改进方法在训练集AUC提升至0.785，验证集保持0.725，为低资源环境下罕见事件筛查提供灵活工具，发表于《BMC Medical Research Methodology》。

　　

在临床实践中，医生常面临诊断不确定性的挑战，尤其是对于缺乏明确生物标志物的罕见疾病。传统决策工具如Spiegelhalter-Knill-Jones(SKJ)方法虽能整合先验概率与似然比(LR)构建评分系统，却强制要求将连续变量（如CD4细胞计数、血红蛋白水平）二分类化，导致信息丢失和预测效能降低。这种简化可能掩盖重要临床模式——例如糖尿病患者127mg/dL与126mg/dL血糖值的风险差异被忽略，或年龄与疾病风险的U型关联被错误线性化。

为突破这一局限，比利时安特卫普热带医学研究所Bart K.M. Jacobs团队创新开发了SKJ连续变量扩展方法。研究以柬埔寨HIV患者队列为模型（1803次就诊数据），通过广义加性模型(GAM)拟合连续变量与病毒学失败的非线性关系，引入分数修饰因子优化分类阈值，最终在《BMC Medical Research Methodology》发表成果。该方法不仅保留原始SKJ处理缺失数据的优势，更通过自动化分箱技术生成多级风险评分（如CD4计数划分9个区间），使训练集AUC从0.699提升至0.785。

关键技术包含：1）采用GAM替代逻辑回归估计连续变量LR函数；2）交叉验证确定分数修饰因子（最终选定1）；3）设置边缘效应校正机制（如限制CD4⁺ T细胞极端值影响）；4）基于AUCCV（交叉验证AUC）的变量反向逐步选择；5）风险分类改进(RCI)量化临床效用。

研究结果部分显示：
Scoring systems

• 第一版扩展算法(ACPS 1)包含9变量，其中6个连续变量呈现多级切割（如血红蛋白分7段），训练集AUC达0.785但存在过拟合风险
• 优化后的ACPS 2/3保留核心变量（ART暴露、瘙痒性丘疹），CD4计数仍分6段，验证集AUC 0.725与原始SKJ无统计学差异

Performance metrics

• 训练集风险重分类改善显著：ACPS 2将18%真实阳性患者升级至高危组（RCI +9.5%, 95%CI 0.6-19.1%）
• 验证集未显示优势，可能与病毒学失败率下降（4.8%→3.0%）及队列偏移有关

Diagnostic Risk Reclassification

• ACPS 2在训练集将11例漏诊患者中的8例重新归类至需检测组，代价是182例阴性患者被过度分类

讨论指出，该方法特别适用于：1）低资源环境（无需多重插补）；2）效应量驱动的变量选择（优于p值筛选）；3）电子病历自动化评分场景。但需警惕GAM对异常值的敏感性，以及年龄等时序变量的世代效应干扰。

这项研究为临床决策支持系统开发提供新范式，其价值不仅体现于HIV管理，更可拓展至结核耐药筛查、罕见病诊断等领域。未来需在更多疾病队列中验证其稳健性，并探索与机器学习算法的协同应用。