《Frontiers in Pharmacology》：Automated machine learning model to predict anti-tuberculosis drug-induced liver injury in patients with tuberculous meningitis
编辑推荐：
摘要翻译：背景：结核性脑膜炎（TBM）是一种严重的中枢神经系统感染性疾病，具有较高的致残率和死亡率。然而，在TBM治疗期间，抗结核药物性肝损伤（ATB-DILI）常导致治疗中断，并造成不良临床结局。本研究旨在开发一种自动化机器学习（AutoML）模型，用于预测
摘要翻译：背景：结核性脑膜炎（TBM）是一种严重的中枢神经系统感染性疾病，具有较高的致残率和死亡率。然而，在TBM治疗期间，抗结核药物性肝损伤（ATB-DILI）常导致治疗中断，并造成不良临床结局。本研究旨在开发一种自动化机器学习（AutoML）模型，用于预测TBM患者发生ATB-DILI的风险。方法：研究人员开展了一项针对成人TBM患者的回顾性队列研究。通过最小绝对收缩和选择算子（LASSO）回归进行特征筛选后，采用AutoML构建预测模型。内部验证使用bootstrap重抽样方法。此外，利用特征重要性、部分依赖图以及SHapley加性解释（SHAP）分析进行模型解释。结果：本研究共纳入253例TBM患者，其中54例（21.34%）发生ATB-DILI。LASSO回归分析确定了四个特征因素，包括脑脊液（CSF）氯离子、血小板计数、高血压和总胆红素。在AutoML生成的候选模型中，最优梯度提升机（GBM）模型表现出优越的性能。其乐观校正后的受试者工作特征曲线下面积（AUC）为0.828（95% CI：0.794–0.861），乐观校正后的精确率-召回率曲线下面积（PR-AUC）为0.711（95% CI：0.628–0.782）。此外，可解释性分析显示，CSF氯离子是影响最优GBM模型最重要的变量。结论：基于AutoML技术开发的ATB-DILI预测模型展现出较高的预测能力和可解释性。该模型可辅助临床医生识别存在ATB-DILI风险的TBM患者，从而优化患者管理并促进个体化用药方案的制定。
论文解读文章：
研究背景与目的：结核性脑膜炎（tuberculous meningitis, TBM）是由结核分枝杆菌（Mycobacterium tuberculosis）引起的中枢神经系统感染，是结核病最严重的表现形式，具有极高的致残率和死亡率。2025年的一项荟萃分析显示，TBM患者的全因死亡率高达27.7%，且41.7%的幸存者存在长期神经功能损伤。目前全球每年新发TBM病例估计超过10万例，对卫生系统、经济和社会构成重大挑战。TBM的标准抗结核治疗方案通常持续9至12个月，但治疗过程中常出现抗结核药物性肝损伤（anti-tuberculosis drug-induced liver injury, ATB-DILI），这是导致治疗中断的最常见不良反应，而抗结核药物中断已被确认为TBM患者死亡的独立危险因素。已有研究表明，TBM患者中ATB-DILI的发生率高于肺结核患者，可能与大剂量用药、不可避免的联合用药以及脑膜炎本身引起的生理应激有关。鉴于ATB-DILI对TBM患者治疗进程和预后的严重影响，早期识别高危患者并实施预防措施尤为重要。近年来，机器学习（machine learning, ML）技术被广泛应用于医学领域，能够有效处理和分析电子健康记录、基因组数据及临床试验报告等多源数据，用于药物不良反应和毒性的检测与预测。自动化机器学习（automated machine learning, AutoML）作为机器学习的新兴领域，可通过自动算法选择和超参数调整，智能地开发针对目标数据的高质量模型，其高效性和易用性使不具备人工智能专业知识的研究人员也能从中获益。然而，目前尚无研究使用ML或AutoML识别TBM患者的ATB-DILI风险。本研究首次将AutoML技术应用于预测TBM患者ATB-DILI的风险，旨在开发一种新型风险预测工具，以快速、准确地评估TBM患者的ATB-DILI风险，从而促进个体化治疗并改善预后。
主要技术方法：研究人员在2019年1月至2026年6月期间，从南华大学附属长沙中心医院（Affiliated Changsha Central Hospital of University of South China）纳入诊断为TBM并接受标准抗结核方案治疗的成人患者。排除年龄<18岁、妊娠、入院前已有肝病或肝功能异常、合并其他类型脑膜炎或EB病毒/巨细胞病毒感染、多器官功能障碍或脓毒症等严重合并症、正在接受肾脏替代治疗以及临床资料不完整者，最终纳入253例患者。研究人员采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归结合5次重复分层10折交叉验证进行特征选择，并通过方差膨胀因子（variance inflation factor, VIF）评估多重共线性。模型开发采用H2O R包中的AutoML技术，搜索空间包括分布式随机森林（distributed random forest, DRF）、广义线性模型（generalized linear models, GLM）、梯度提升机（gradient boosting machine, GBM）、极限随机树（extremely randomized trees, XRT）、深度神经网络（deep neural networks, DNN）、堆叠集成模型及XGBoost。使用RandomDiscrete搜索策略进行超参数优化，采用5折交叉验证进行模型评估，并使用bootstrap重抽样（n=1,000次）进行内部验证，以量化过拟合偏差并获得乐观校正后的性能估计。此外，研究人员还构建了逻辑回归模型用于比较，并使用DeLong检验比较AUC值。模型可解释性分析采用特征重要性、部分依赖图、SHapley加性解释（SHAP）和局部可解释模型无关解释（local interpretable model-agnostic explanations, LIME）图。
研究结果：
（1）人口统计学和临床特征：共纳入253例TBM患者，平均年龄为48.73±18.53岁，男性占63.64%。常见症状包括发热（63.24%）、头痛（47.04%）、脑梗死（28.46%）和意识改变（18.97%）。54例（21.34%）患者在抗结核治疗后发生ATB-DILI，其中47例为1级（轻度肝损伤），7例为2级（中度肝损伤）。单因素分析显示，与无DILI组相比，DILI组患者中高血压比例更高，年龄、总胆红素、丙氨酸氨基转移酶、中性粒细胞百分比、脑脊液白细胞、脑脊液蛋白和脑脊液腺苷脱氨酶水平显著升高，而血小板计数、血清钠和脑脊液氯离子水平显著降低。
（2）因素识别：研究人员使用LASSO算法分析了40个变量，最终筛选出四个特征变量：高血压、总胆红素、血小板计数和脑脊液氯离子。所有选定变量的VIF值均小于2，表明不存在显著的多重共线性。
（3）预测模型的开发与验证：通过AutoML技术构建了多个机器学习模型。按交叉验证性能排序的前20个候选模型中，GBM模型排名第一，表现出最高的AUC值和第二低的logloss值，意味着其在分类准确性和概率预测质量方面均表现优异。最优GBM模型的表现AUC和PR-AUC分别为0.921和0.828。基于bootstrap内部验证（n=1,000），最优GBM模型实现了乐观校正后AUC为0.828（95% CI: 0.794–0.861），乐观校正后PR-AUC为0.711（95% CI: 0.628–0.782）。该模型表现出良好的校准能力和临床净获益。DeLong检验显示，最优GBM模型的AUC显著高于标准逻辑回归模型（p < 0.01）。通过最大化F2分数确定决策阈值，以增强敏感性并降低漏诊ATB-DILI病例的风险。
（4）模型解释：最优GBM模型的变量重要性图显示，脑脊液氯离子是最关键的变量，其次是总胆红素、血小板计数和高血压。变量重要性热图也一致显示脑脊液氯离子是预测模型最重要的特征。部分依赖图表明，较低的脑脊液氯离子水平可能与最优GBM模型更高的响应相关。SHAP分析显示，脑脊液氯离子和血小板计数的蓝色点大多聚集在零线右侧，表明这两个特征的低值与TBM患者发生ATB-DILI的可能性增加相关。LIME分析则展示了单个患者各特征对预测结果的贡献，例如对于患者#82，血小板计数和脑脊液氯离子具有较高的SHAP值，是模型预测的主要贡献因素，而高血压和总胆红素的权重较低。
讨论与结论：研究人员在讨论中指出，本研究中TBM患者的ATB-DILI发生率（21.34%）高于国内报道的9.5%–14.1%的总体发生率，这与既往研究发现的播散性结核病和TBM等疾病负担较重的患者中ATB-DILI更常见相一致。TBM患者ATB-DILI风险增加的机制可能包括：为通过血脑屏障达到足够脑脊液药物浓度而需要高剂量抗结核药物，从而增加剂量依赖性肝损伤风险；TBM临床管理中常需联合使用糖皮质激素、抗水肿药物和抗癫痫药物等具有潜在肝毒性的辅助治疗药物；以及TBM患者普遍存在的生理应激和全身炎症反应，这种病理生理状态易导致肝功能障碍。LASSO分析确定的高血压、总胆红素、血小板计数和脑脊液氯离子四个预测因子均有合理生物学解释：高血压患者常长期服用降压药，部分降压药本身具有肝毒性，与抗结核药物联用可能加重肝损伤；总胆红素反映基础肝脏代谢能力，其升高提示潜在的肝脏代谢紊乱；血小板生成主要受肝脏产生的促血小板生成素调控，血小板减少可能提示肝脏解毒和适应能力受损；而脑脊液氯离子可能是TBM严重程度、疾病阶段和全身炎症负担的替代标志物，这些疾病状态可能增加肝脏对肝毒性药物的易感性。与既往使用机器学习预测药物性肝损伤的研究相比，本研究开发的AutoML模型展现出了较高的预测性能，且与常规逻辑回归相比，AutoML模型具有更高的预测性能且只需极少的手动参数调整，降低了非机器学习专家构建高质量预测模型的门槛。SHAP方法的应用增强了模型的临床可解释性，使临床医生能够理解模型的决策依据，从而促进个体化治疗方案的制定。研究人员也承认研究存在局限性：首先，样本量受TBM相对罕见和严格的纳入排除标准限制，尽管采用了1,000次bootstrap重抽样进行严格的内部验证并报告了乐观校正后的性能指标，但统计调整无法完全弥补样本量有限的不足，仍需大规模、多中心前瞻性研究进行外部验证；其次，与抗结核药物代谢相关的遗传变量因缺失数据较多而未纳入模型，未来整合药物基因组学变量可能进一步提高模型性能。总之，本研究首次将AutoML应用于TBM患者ATB-DILI预测模型的开发，确定脑脊液氯离子、血小板计数、高血压和总胆红素为特征因素，其中最优GBM模型表现出优越的预测性能。该模型能够在抗结核治疗前对TBM患者进行ATB-DILI的早期风险评估，有助于及时干预，从而改善患者的生存和临床结局。该研究成果发表于《Frontiers in Pharmacology》。
