基于体格检查结果和血液检测数据，利用机器学习模型对系统性自身免疫性风湿疾病进行非RA筛查

《BMC Medical Informatics and Decision Making》：Non-RA screening for systemic autoimmune rheumatic diseases using a machine learning model based on physical findings and blood test data

　　

摘要

背景

在患有系统性自身免疫性风湿性疾病（SARDs）的患者中，尤其是非类风湿性关节炎患者，间质性肺炎和肺动脉高压等严重疾病的发病率很高。因此，应尽早将这类患者转诊至大学医院或其他具备全面医疗能力的机构。然而，不同SARDs的临床表现存在很大重叠，使得区分变得困难，而且在常规临床实践中用于辅助疾病分类的客观工具仍然有限。本研究开发了一种基于机器学习的分类器，利用常规体格检查结果和常规血液检测数据来区分类风湿性关节炎（RA）与其他非RA疾病，研究对象为从一家二级护理教学医院被诊断为特定SARDs的患者。

方法

本研究对571名最初被诊断为SARDs的患者进行了观察性回顾性研究。从医院的临床信息数据库中提取了这些患者的诊断信息、血液检测结果以及体格检查结果，以此构建数据集。体格检查结果则是通过自然语言处理技术，从主治医生以自由描述形式撰写的病历中提取出结构化数据。在患者分类方面，研究人员使用了三种分类算法开发了用于区分非RA疾病的筛选模型：朴素贝叶斯、线性支持向量机以及随机森林。

结果

类风湿性关节炎与非RA疾病具有相似的临床症状，目标疾病患者中超过40%存在关节症状。在各类筛选模型中，随机森林模型的表现最佳，其敏感度为77.3%，特异性为72.5%。

结论

在这项针对确诊SARDs患者的单中心回顾性队列研究中，基于机器学习且利用常规可获得的临床症状和血液检测结果的分类器，在区分类风湿性关节炎与其他非RA疾病方面展现了良好的性能。这些研究结果表明，在这类二级护理机构中使用基于机器学习的分类方法是可行的。未来需要进一步在更广泛的临床群体中验证该模型，包括在初级护理机构中，同时评估其在辅助制定转诊决策方面的作用。