基于可解释机器学习模型的吉兰-巴雷综合征急性期神经传导研究亚型分型

《BMC Medical Informatics and Decision Making》：Interpretable machine-learning models for Guillain-Barré syndrome subtype assignment using acute-phase nerve conduction study: a multicenter study

　　

摘要

背景

吉兰 - 巴雷综合征（GBS）包含临床和电生理上异质性的亚型，其分型可能随神经传导研究（NCS）时机、血清学可用性及检查者专业知识而变化。可解释的机器学习模型可能有助于标准化急性期 NCS 数据的亚型分型，无论是否有血清学。

方法

在分布于九家韩国医院的 99 名患者多中心队列中（73 名内部，26 名外部），在采集系统和刺激方案之间协调一致的 NCS 参数用于训练梯度提升模型（XGBoost、LightGBM、CatBoost），以在带有血清学和不带血清学条件下分类三种机制导向的操作亚型（轴索为主型、脱髓鞘型和 Miller Fisher 谱系），其中不带血清学模型作为主要分析。判别能力通过受试者工作特征（ROC）曲线下的面积（AUC）和精确率 - 召回率（PRC）曲线下的面积在重复内部划分上进行评估，外部集作为独立验证集。使用 SHAP（SHapley Additive exPlanations）分析来检查模型归因是否符合常规电生理模式。

结果

在主要的不带血清学分析中，内部宏平均 AUC 为 0.87，外部验证为 0.80，带有血清学时增加至 0.92 和 0.90。SHAP 归因确定了亚型相关的 NCS 特征并支持模型表面效度，尽管性能估计受限于外部样本较小。

结论

可解释的机器学习模型显示出初步能力，可从急性期 NCS 复现专家分配的 GBS 亚型分型。特征归因与预期的电生理模式一致，支持模型表面效度。在这些模型用于临床决策或机制推断之前，需要具有独立裁定和结局关联的更大前瞻性队列。