一种用于预测无皮肤病变HIV患者是否存在Talaromycosis的可解释机器学习模型

《Mycopathologia》：An Interpretable Machine Learning Model for Predicting the Presence of Talaromycosis in HIV Patients Lacking Skin Lesions

　　

针对缺乏皮肤病变的HIV感染者中现有的Talaromycosis预测模型受到既定风险因素和传统统计方法的限制。本研究旨在开发一种可解释的机器学习(ML)模型，用于预测无皮肤病变HIV患者中Talaromycosis的存在，并验证其临床适用性。这项回顾性多中心研究涉及分析中国四家三级甲等医院2010年至2019年的电子病历。训练数据集包含1009名伴有机会性感染的HIV患者，而外部验证使用了来自独立中心305名患者的数据。从最初设定的36个变量中，筛选出12个关键特征，包括白蛋白、绝对淋巴细胞计数、血红蛋白、丙氨酸氨基转移酶(ALT)、天门冬氨酸氨基转移酶(AST)、AST/ALT比值、C反应蛋白、白细胞计数、血小板计数、外周或腹部淋巴结肿大(POAL)、CD4⁺ T-cell 计数以及年龄。通过十折交叉验证评估了五种ML算法。使用AUC、ACC和F1-score衡量模型性能。采用校准曲线和决策曲线分析(DCA)评估模型的可靠性和临床净益处。最优模型随后被实现为一种基于Web的工具。与其他模型相比，支持向量机(SVM)表现出更优越的性能，取得了0.809的AUC (95% CI 0.778–0.838)、0.714的ACC和0.689的F1-score。外部验证显示了增强的性能指标，AUC为0.921 (95% CI 0.889–0.951)，ACC为0.853，F1-score为0.819。DCA表明在各种风险阈值下均有显著的净临床益处，校准曲线显示预测风险与观察到的风险之间具有高度一致性。可解释的SVM模型有效地对地方病流行区域无皮肤病变HIV感染者发生Talaromycosis的风险进行了分层，符合世界卫生组织关于优先真菌病原体早期诊断和治疗的建议。其整合至Web工具中，提升了在资源受限环境下进行早期干预的临床可及性。

研究背景与问题：Talaromycosis被归类为一种侵袭性真菌感染，主要影响免疫力低下的个体，特别是HIV感染者。该病在亚洲热带和亚热带地区广泛流行，特别是在中国南方地区，其发病率较高。尽管已实施抗真菌治疗，但延迟诊断导致Talaromycosis患者的院内死亡率居高不下。然而，早期抗真菌治疗可以显著降低死亡率和减轻疾病严重程度。传统的临床诊断中，皮肤病变常作为关键诊断指标，但约有三分之一的患者并不表现出皮肤病变。对于这部分缺乏皮肤病变的患者，依赖此临床特征可能导致误诊或延误治疗。此外，微生物培养虽为金标准，但耗时较长。现有的针对无皮肤病变HIV患者的预测模型受到既定风险因素和传统统计方法的限制。因此，迫切需要定量的、可及且高效的方法来预测无皮肤病变HIV患者是否患有Talaromycosis。

研究开展与结论：针对上述临床痛点，研究人员开展了一项多中心回顾性队列研究，旨在开发一种可解释的机器学习(ML)模型，并在独立队列中验证其临床适用性。该研究成功构建了基于支持向量机(SVM)的模型，并证实其能有效对无皮肤病变HIV患者发生Talaromycosis的风险进行分层。该研究论文发表在《Mycopathologia》。这一研究成果符合世界卫生组织关于优先真菌病原体早期诊断和治疗的建议，并将模型整合为web应用，显著提升了资源受限地区早期干预的临床可及性，对临床实践具有重要指导意义。

主要技术方法与样本队列：样本队列数据来源于中国四家三级医院2010年至2019年的电子病历，包括来自柳州市人民医院、广州市第八人民医院和重庆市公共卫生医疗救治中心的共1009名患者数据作为模型开发数据集，以及来自桂林市第三人民医院的305名患者数据作为外部验证队列。研究主要采用了五种互补的特征选择方法（Lasso回归、Random Forest、Boruta、Extreme Gradient Boosting和Mutual Information）对36个候选变量进行降维筛选；随后应用了八种机器学习算法进行模型训练与比较，并采用十折交叉验证进行内部验证；利用Shapley Additive Explanations(SHAP)框架进行模型可解释性分析；最后基于Gradio平台将最优模型封装为web应用程序。

研究结果：

人口统计学属性：在初始筛选的1675名住院HIV患者中，有361名患者因缺失数据过多被排除。最终建模队列包含1009名患者，并按8:2比例随机分为训练集和测试集。研究人员发现，在建模组中，Talaromycosis组和非Talaromycosis组在年龄、身体质量指数(BMI)、发热、食欲不振、外周或腹部淋巴结肿大(POAL)、肝肿大、脾肿大以及多种实验室指标（AST、ALT、AST/ALT比值、白蛋白、血红蛋白、白细胞计数、绝对淋巴细胞计数、C反应蛋白、血小板计数及CD4⁺ T-cell 计数）上存在显著差异。

变量筛选：研究人员应用五种互补的特征选择方法对36个候选变量进行降维。五种方法选取结果的交集最终产生了12个共同预测因子：白蛋白、绝对淋巴细胞计数、血红蛋白、AST/ALT比值、C反应蛋白、ALT、白细胞计数、血小板计数、POAL、CD4⁺ T-cell 计数、AST和年龄。这些特征被认为是建模的关键要素。

模型开发和评估：基于选出的12个变量，研究人员开发了八种机器学习模型。通过评估发现，支持向量机(SVM)在训练、测试和外部验证队列中表现出最优越且一致的性能。在外部验证中，SVM模型取得了0.921的AUC、0.853的ACC、0.823的灵敏度和0.873的特异度。其他模型如决策树、随机森林和XGBoost表现出过拟合迹象，而SVM因其鲁棒性和泛化能力被选为最终模型。

内部和外部模型的最终验证：通过校准曲线和决策曲线分析(DCA)在内部和外部队列中对SVM模型进行了验证。内部校准曲线与理想线几乎完美对齐，DCA显示在10%至50%的阈值范围内具有优越的净益处。在外部验证中，模型同样保持了稳健的校准度，并在20%至100%的阈值范围内维持正的净益处。这证实了模型具有广泛的泛化能力。

模型推论分析：SHAP框架被用于可视化各临床特征对预测结果的影响。在12个特征中，POAL、AST和绝对淋巴细胞计数对预测准确性的贡献尤为显著。在研究人员展示的高风险患者案例中，升高的AST水平和严重的血小板减少症是增加感染风险的主要驱动因素，这与肝损伤和骨髓抑制的病理生理机制一致。而在低风险案例中，正常的血小板计数和升高的白蛋白水平作为保护性因素降低了感染可能性。

用户友好型应用的开发：预测模型被整合至基于Web的应用中，用户无需编写代码即可在线或本地访问该工具。通过输入12个预测变量的具体值，应用程序能够计算出无皮肤病变的HIV患者发生Talaromycosis的概率。

讨论与结论：这项研究特别关注了无皮肤病变患者这一既往文献中尚未报道过的群体。该研究采用多算法特征选择策略并整合了基于SHAP的可解释性以及完全部署的Web工具，有效弥合了复杂机器学习与临床实践之间的差距。与传统的逻辑回归(LR)模型相比，SVM模型在外部验证中表现出了显著提升，在致命的机会性感染背景下，这种敏感性的提升意味着每100名高危患者中可减少约3例漏诊。研究结论表明，研究人员成功创建了一项具有临床效益且用户友好的网络应用程序。尽管仍需进行前瞻性验证，但在地方病流行区域预测无皮肤病变的HIV患者是否发生Talaromycosis已成为可能，这一进展促进了主动的、有针对性的临床决策。然而，该研究仍存在一定的局限性，例如所有数据均来源于中国境内的医院，其在越南、泰国等其他流行地区的有效性尚未确定。同时，由于入选标准要求住院超过三天且CD4⁺ T-cell 计数低于200 cells/μL，可能引入选择偏倚，限制了其在门诊环境或CD4⁺ T-cell 计数较高的HIV患者中的适用性。未来仍需通过国际合作和前瞻性临床试验进一步验证和校准该模型。