用于急诊科肺栓塞早期预测与解剖学分类的可解释机器学习技术

《BMC Emergency Medicine》：Explainable machine learning for early prediction and anatomical classification of pulmonary embolism in the emergency department

　　

摘要

背景

肺血栓栓塞症（PTE）是一种危及生命的疾病，需要在急诊科进行及时准确的评估。包括Wells评分和改良日内瓦评分在内的标准化临床评分系统是初步风险分层的基石，但它们的特异性有限，从而导致不必要的D-二聚体检测以及过度使用CT肺动脉造影（CTPA）。本研究旨在在初步临床评估之后，开发可解释的机器学习模型作为辅助决策工具，以实现提高PTE预测准确率，并尽早提供非影像学手段来判断血栓位置的目标。

方法

2022年至2024年间，马什哈德医科大学的三个中心收集了472名疑似患有PTE的急诊患者的临床及辅助检查数据，这些数据是通过符合Wells/日内瓦标准的结构化表格收集的。CTPA被用作诊断和解剖分类的参考标准。我们建立了传统机器学习模型、如Extra Trees这样的集成算法以及混合堆叠模型。通过SHAP值实现的可解释人工智能技术用于量化整体及个体层面的特征贡献。这些可解释机器学习模型被设计为在基于Wells/日内瓦评分完成初步分诊后使用：对低风险患者辅助做出D-二聚体检测决策，同时优化中高风险患者的风险评估，从而减少不必要的CTPA检查。

结果

在那些概率处于中等至较高的患者群体中，所有患者都通过Wells/日内瓦评分被归类为PTE疑似病例，而只有24%的患者通过CTPA确诊为阳性。机器学习模型展现了更强的区分能力，其中Extra Trees模型的表现最佳（准确率为0.82，灵敏度为0.69，特异性为0.86，AUC值为0.83）。在PTE阳性病例中，该模型对中央型栓子的AUC值为0.77，对周围型栓子的AUC值为0.67，整体的解剖分类准确率为63%。

结论

所提出的可解释机器学习模型提供了一种透明且与临床实践相契合的框架，能够补充现有的评分系统，提升诊断效率，同时减少不必要的影像学检查。