基于机器学习的白细胞介素-6（IL-6）检测需求管理模型构建与临床价值评估

【编辑推荐】本研究创新性地利用机器学习（ML）技术，通过常规检测指标（CRP、血常规等）构建预测模型，有效识别IL-6检测阳性/阴性结果（cut-off值7 pg/mL）。随机森林模型表现最优（准确率0.87），为减少非必要IL-6检测（尤其在COVID-19后疫情时代）提供了数据驱动的决策工具。

　　

亮点

研究设计

研究流程图见图1。这项回顾性研究纳入了2022年1月1日至2024年6月30日期间所有在健康科学大学安卡拉教育研究中心申请的IL-6检测结果。我们只纳入同时具有C反应蛋白（CRP）和血常规检测结果的患者数据，其余病例被排除。

实验室检测方法

血清IL-6采用电化学发光免疫分析法（ECLIA）（Elecsys IL-6检测试剂盒，货号09015612190）在罗氏cobas e分析仪上测定。

结果

本研究共分析4142例患者数据，其中3417例（82.5%）患者IL-6值>7 pg/mL，725例（17.5%）≤7 pg/mL。表1展示了患者的人口统计学特征、CRP和全血细胞计数结果。按IL-6阈值分组的CRP和血常规结果对比显示（表2），除平均红细胞血红蛋白量（MCH）和嗜碱性粒细胞计数外，其他指标组间差异均具有统计学意义。

讨论

我们开发的机器学习模型首次证明：利用CBC和CRP等一线常规检测指标即可有效预测IL-6结果。随机森林模型的AUC表现最佳，这表明在临床资源紧张或检测需求激增时，该策略可显著减少非必要IL-6检测。

局限性

由于实验室信息系统限制，模型未纳入临床症状、既往史等临床变量。不过我们通过引入CRP指标部分弥补了这个缺陷——毕竟在炎症反应中，CRP可是IL-6的"黄金搭档"。

结论

基于低成本常规检测指标构建的ML模型能准确预测IL-6结果，有望成为临床检测申请时的"智能守门人"，有效降低不合理检测率。