基于机器学习的发热患者马尔尼菲篮状菌感染高特异性诊断模型：常规临床实验室数据的应用价值

这篇研究通过机器学习（ML）算法整合发热患者的常规临床实验室数据（如血常规、生化指标及降钙素原PCT），构建了可高效筛查马尔尼菲篮状菌（Talaromyces marneffei, T. marneffei）感染的随机森林模型。该模型在临床验证中展现出0.989的AUC值和0.999的特异性，为HIV合并/非合并感染人群提供了早期预警工具，同时揭示了中性粒细胞、白蛋白等关键生物标志物的双峰分布特征。

　　

引言

马尔尼菲篮状菌（T. marneffei）是一种温度双相性真菌，在哺乳动物体内可转化为分裂酵母形态。近年来，非HIV合并感染的病例比例逐年上升，其误诊率高达24%-51%，主要归因于发热等非特异性症状与结核病等疾病的相似性。传统血培养检测需7-14天且灵敏度仅76%，而骨髓培养或MP1抗原检测虽灵敏度达90%-100%，却依赖临床证据支持。机器学习技术在病原体感染诊断中展现出显著优势，但既往研究多局限于HIV分层或流行区域。

材料与方法

研究回顾性纳入2021-2025年浙江省多家医院的发热患者数据，通过稀疏偏最小二乘判别分析（sPLS-DA）从28项实验室指标中筛选特征。采用6种机器学习算法（包括随机森林、SVM等）进行1000次Bootstrap重采样建模，最终在独立临床验证集（n=1,953）中评估性能。

结果

训练集（n=485）中T. marneffei感染者（n=141）的UMAP聚类显示明确分界。sPLS-DA筛选出16项核心特征，包括年龄、单核细胞、中性粒细胞、甘油三酯（TG）和PCT等。随机森林模型表现最优：

• •

  OOB验证AUC达0.987，临床验证AUC 0.989

• •

  对T. marneffei的特异性0.999，敏感性0.692

• •

  真菌亚组分类AUC 0.962

讨论

模型创新性在于：

1. 1.

   标志物发现：首次报道LDH、直接胆红素（DB）和TG的显著升高与T. marneffei感染相关，可能与肝细胞焦亡（pyroptosis）引发的IL-1β/IL-18释放有关。

2. 2.

   临床适用性：覆盖HIV/非HIV混合人群，较既往研究（如Huang等AUC 0.815）显著提升性能。

3. 3.

   局限性：训练集对血培养阳性样本的代表性不足，且未单独区分真菌/结核分枝杆菌感染。

结论

该模型通过常规实验室数据实现了T. marneffei感染的高效筛查，其标志物谱为后续多中心研究奠定基础。未来需扩大样本地域分布并优化细菌/真菌分类模块以提升普适性。