机器学习驱动的吉兰-巴雷综合征亚型分类及预后分层研究

《BMC Neurology》：Data-driven prognostic stratification in Guillain-Barré syndrome: a machine learning approach

　　

摘要

背景

当前吉兰-巴雷综合征（GBS）的分类方法无法充分预测患者的预后及对免疫治疗的反应，导致治疗不确定性和疗效欠佳。本研究旨在建立一种新颖的、数据驱动的分类方法，以识别临床上具有不同特征的GBS亚型并改善预后预测。

方法

回顾性分析了155例接受血浆置换治疗的GBS患者的临床、实验室及电生理数据。采用聚类算法——混合模型来识别不同的患者亚组。随后，利用最关键的特征构建了一个简化且可解释的决策树模型。

结果

识别出三个不同的聚类。聚类1（n?=?39）代表了最严重的临床表现，入院时GBS残疾量表的中位数为5，症状出现后30天能够独立行走的患者比例最低（12.8%）。聚类2（n?=?61）入院时基线严重程度最低（GBS残疾量表的中位数为3），预后最为理想，有54.1%的患者能够独立行走。聚类3（n?=?55）以显著的脱髓鞘特征为特点，尽管入院时严重程度为中等（GBS残疾量表的中位数为4），但对血浆置换治疗的反应率明显更高（85.5%的患者改善≥1个GBS残疾量表等级）。决策树模型纳入了五个常见的临床和电生理变量，实现了对聚类的优异分类保真度（准确率：0.877）。

结论

机器学习识别出三种具有不同预后和血浆置换治疗临床轨迹的GBS亚型。基于这些发现，一个简单的五变量决策树提供了一种实用的早期预后分层工具，有助于早期预估预后结果并实施风险适应性临床监测。