基于电子健康记录的标签高效表型分析：LATCH算法在长新冠识别与医疗资源利用研究中的突破

为解决长新冠（Long COVID）异质性表现和ICD-10编码U09.9可靠性不足的问题，哈佛医学院等团队开发了LAbel-efficienT Long COVID pHenotyping（LATCH）算法。该研究整合少量金标准标签与大规模EHR数据，通过半监督学习实现F-score 75.4%的高精度识别，揭示感染后第4个月医疗资源使用达峰值的规律，为长新冠管理提供重要工具。成果发表于《npj Digital Medicine》。

　　

在全球范围内，长新冠（Long COVID）正成为日益严峻的公共卫生挑战。这种被世界卫生组织（WHO）定义为"新冠后状态"的疾病，表现为感染SARS-CoV-2后持续60天以上的多系统症状。然而，其异质性临床表现和ICD-10编码U09.9的低可靠性（阳性预测值仅64.7%），使得准确识别患者和研究疾病负担变得异常困难。更棘手的是，不同医疗系统对U09.9编码的实施存在显著差异，而现有基于规则或调查的方法缺乏金标准验证。这些挑战严重阻碍了对长新冠流行病学特征和医疗影响的深入理解。

为突破这些限制，来自哈佛医学院、退伍军人健康管理局（VHA）和匹兹堡大学医学中心（UPMC）的研究团队开展了一项创新性研究。他们开发了名为LATCH（LAbel-efficienT Long COVID pHenotyping）的半监督学习算法，通过巧妙结合少量金标准标签（474例VHA患者和178例UPMC患者的病历审查结果）与593，283例VHA患者的完整电子健康记录（EHR）数据，成功构建了高精度的长新冠识别模型。这项重要成果发表在《npj Digital Medicine》期刊上，为长新冠研究提供了新的方法论框架。

研究团队采用三步走的技术路线：首先利用XGBoost树模型对U09.9编码进行无监督预训练，整合结构化数据（PheCodes）和非结构化数据（通过命名实体识别提取的临床概念）；然后通过子队列特异性概率对齐处理不同感染时期（U09.9编码引入前后）和住院状态的异质性；最后采用逻辑回归模型结合金标准标签进行半监督微调。研究特别设计了两种WHO定义的标准：WHO-1（单一核心症状持续>60天）和WHO-2（≥2个新发症状），以应对疾病定义的演变。

研究结果部分呈现了令人信服的数据。在内部验证（VHA）中，LATCH算法对WHO-1定义的识别性能显著优于单纯U09.9编码：F-score从15.9%提升至75.4%，真阳性率（TPR）从9.1%提高到67.7%，阳性预测值（PPV）从64.7%增至82.8%。在外部验证（UPMC）中，虽然性能有所下降，但LATCH仍保持F-score 52.1%的优势，显著高于U09.9编码的16.5%。特征重要性分析显示，U09.9编码计数是最具预测力的特征（Shapley值0.250），而神经精神症状和呼吸系统特征也是重要预测因子。

医疗资源利用的时序分析揭示了长新冠的独特模式。如图3所示，长新冠阳性患者的医疗资源使用呈现"双峰"特征：在感染当月出现高峰后，第4-5个月再次出现小高峰，且整体利用率持续高于阴性患者。值得注意的是，VHA患者的基础医疗利用率显著高于UPMC，反映了两个医疗系统服务人群的差异。研究还发现，不同SARS-CoV-2变异株引起的长新冠对医疗资源的影响模式相似，提示病毒变异可能不改变长新冠的基本病理生理机制。

在讨论部分，作者强调了LATCH算法的四大创新点：（1）通过半监督学习解决了金标准标签有限与高维特征空间的矛盾；（2）首次实现了结构化与非结构化EHR数据的深度融合；（3）通过区分"U09.9前/后"时期和住院类型处理临床实践的时空异质性；（4）在两大医疗系统中验证了算法的鲁棒性。这些突破使LATCH成为首个经过严格验证的长新冠表型分析工具。

该研究的临床意义深远。准确的长新冠表型识别将助力于：（1）基因组关联研究（GWAS）发现疾病易感基因；（2）评估疫苗和抗病毒药物对长新冠的预防效果；（3）优化医疗资源配置策略。正如作者指出，虽然算法存在外部验证性能下降和未整合可穿戴设备数据等局限，但LATCH已显著缩小了研究人群范围（阴性预测值达95.1%），为后续研究奠定了坚实基础。这项研究不仅为长新冠管理提供了重要工具，其方法论框架也可拓展至其他复杂慢性病的电子健康记录研究。