综述：基于常规血液检测的AI辅助决策系统在镰状细胞病严重程度分级中的应用：一项系统评价与荟萃分析

《BMC Medical Informatics and Decision Making》：AI-assisted decision support for sickle cell disease severity stratification using routine blood tests: a systematic review and meta-analysis

　　

摘要

背景

对镰状细胞病（SCD）的严重程度进行分层仍然是一项挑战，尤其是在资源有限的地区。人们提出利用常规全血细胞计数（CBC）参数的人工智能（AI）模型作为风险分层的实用工具；不过，这些模型的整体性能和临床适用性仍有待确定。

方法

我们进行了符合PRISMA-DTA 2020标准的系统评价和荟萃分析（PROSPERO：CRD420251078389），共纳入60项研究（涉及15个国家的25,354名患者，研究时间范围为2010–2025年）。基于CBC参数的AI模型被用于与多种不同的参考标准进行比较，这些参考标准包括临床严重程度分类和以事件为依据的结果指标。我们使用QUADAS-2和PROBAST-AI来评估偏倚风险，并通过层次化总结接收者操作特征（HSROC）模型来生成汇总估计值。

结果

汇总后的曲线下面积（AUC）为0.87（95%置信区间：0.84–0.90），灵敏度为0.83（0.79–0.86），特异性为0.85（0.81–0.88）。不同地区的模型性能存在差异，高收入国家的准确率更高（AUC为0.90），而低收入和中等收入国家的准确率为0.82（p?<?0.001）。红细胞分布宽度及血小板计数一直被认定为重要的预测因子。然而，由于结果定义和参考标准存在较大差异，这些模型的可解释性受到限制。

结论

利用常规CBC参数的AI模型在镰状细胞病风险分层方面展现出良好的分析性能。但由于目前尚无公认的严重程度评估金标准，结果定义存在差异，且不同医疗机构的条件不同，这些模型直接应用于临床存在一定限制。这些研究结果表明，在考虑更广泛的实际应用之前，需先进行谨慎的前瞻性验证和临床效用评估。

临床试验编号

不适用。

背景

对镰状细胞病（SCD）的严重程度进行分层仍然是一项挑战，尤其是在资源有限的地区。人们提出利用常规全血细胞计数（CBC）参数的人工智能（AI）模型作为风险分层的实用工具；不过，这些模型的整体性能和临床适用性仍有待确定。

方法

我们进行了符合PRISMA-DTA 2020标准的系统评价和荟萃分析（PROSPERO：CRD420251078389），共纳入60项研究（涉及15个国家的25,354名患者，研究时间范围为2010–2025年）。基于CBC参数的AI模型被用于与多种不同的参考标准进行比较，这些参考标准包括临床严重程度分类和以事件为依据的结果指标。我们使用QUADAS-2和PROBAST-AI来评估偏倚风险，并通过层次化总结接收者操作特征（HSROC）模型来生成汇总估计值。

结果

汇总后的曲线下面积（AUC）为0.87（95%置信区间：0.84–0.90），灵敏度为0.83（0.79–0.86），特异性为0.85（0.81–0.88）。不同地区的模型性能存在差异，高收入国家的准确率更高（AUC为0.90），而低收入和中等收入国家的准确率为0.82（p?<?0.001）。红细胞分布宽度及血小板计数一直被认定为重要的预测因子。然而，由于结果定义和参考标准存在较大差异，这些模型的可解释性受到限制。

结论

利用常规CBC参数的AI模型在镰状细胞病风险分层方面展现出良好的分析性能。然而，由于目前尚无公认的严重程度评估金标准，结果定义存在差异，且不同医疗机构的条件不同，这些模型直接应用于临床存在一定限制。这些研究结果表明，在考虑更广泛的实际应用之前，需先进行谨慎的前瞻性验证和临床效用评估。

临床试验编号

不适用。