综述：评估机器学习在预测带状疱疹后神经痛中的效能：系统综述与荟萃分析

（编辑推荐）本综述系统评价了机器学习（ML）在带状疱疹后神经痛（PHN）预测中的应用价值，涵盖14项研究的41个模型。结果显示ML预测PHN具有优异效能（敏感度0.81，特异度0.84，AUC 0.90），但存在外部验证不足、过拟合等问题。建议未来模型开发需遵循TRIPOD规范，引入集成学习和疼痛轨迹分析。

　　

引言

带状疱疹（HZ）由水痘-带状疱疹病毒（VZV）再激活引发，全球终身患病率达25-50%。带状疱疹后神经痛（PHN）作为HZ最常见并发症，定义为皮疹愈合后持续超过90天的疼痛，发病率随年龄增长升至5-20%，严重影响患者生活质量与经济负担。尽管带状疱疹疫苗安全有效，但接种率不足50%，使得PHN精准预测成为临床刚需。

近年来，机器学习（ML）在医学领域广泛应用。PHN预测模型多采用首次就诊数据构建二分类模型，其直接支持临床决策的优势超越传统统计方法。例如，对高风险患者提前实施脊髓电刺激等干预措施，可实现精准治疗。然而，现有模型普遍存在数据敏感性高、泛化能力受限等问题，亟需系统性评估。

方法

本研究遵循PRISMA指南，检索PubMed、Web of Science等数据库至2025年5月的文献。纳入标准包括：英文发表、明确定义HZ/PHN、至少使用一种ML方法、提供可计算真阳性（TP）/假阳性（FP）等指标的数据。采用PROBAST工具评估偏倚风险，通过随机效应模型合并41个模型的性能指标，并开展亚组分析与Meta回归。

结果

模型性能

ML预测PHN的综合敏感度为0.81（95%CI：0.74–0.86），特异度0.84（95%CI：0.79–0.88），曲线下面积（AUC）达0.90。Fagan列线图显示，模型阳性预测概率达80%，阴性预测概率仅20%。

关键发现

• •

  预测因子：年龄（使用频次34）、肿瘤史（21次）、疼痛评分（NRS/VAS，19次）为核心预测因子。

• •

  算法对比：逻辑回归（LR）敏感度更优（0.84 vs 0.78），而其他ML（如随机森林）特异度更高（0.90 vs 0.73）。

• •

  数据局限：训练集模型AUC（0.92）显著高于验证集（0.87），提示过拟合风险；仅1项研究完成外部验证。

创新建议

• •

  疼痛轨迹：潜在类别轨迹模型可识别HZ患者疼痛演变模式，提升预测精度。

• •

  截断值优化：建议同时报告平衡截断值、阳性截断值（敏感度>90%）和阴性截断值（特异度>90%），满足不同临床场景需求。

讨论

临床转化挑战

现有模型虽表现良好，但血清标志物或组学数据未显著提升性能（AUC 0.89 vs 0.90）。前瞻性队列模型性能（AUC 0.88）低于回顾性研究（AUC 0.90），反映后者可能存在偏倚。

规范缺失

仅11%研究评估过拟合风险，71%未报告样本量计算方法。Meta回归显示数据集来源、模型选择和预测因子定义是异质性的主要来源（I²>98%）。

结论

ML为PHN预测提供高效工具，但需严格遵循TRIPOD规范，强化外部验证。未来应探索集成学习整合不同算法优势，并将疼痛轨迹分析纳入预测框架，最终实现从"预测准确"到"临床可用"的跨越。