综述：机器学习模型在淋病抗菌药物耐药性预测中的应用：系统综述与荟萃分析

《Frontiers in Public Health》：Machine learning models in predicting antimicrobial resistance in gonorrhea: a systematic review and meta-analysis

　　

背景：全球淋病奈瑟菌（Neisseria gonorrhoeae）抗菌药物耐药性（antimicrobial resistance, AMR）的上升构成重大公共卫生威胁，使治疗和控制工作复杂化。用于AMR检测的传统诊断方法耗时且常受实验室资源限制，尤其是在中低收入国家。机器学习（machine learning, ML）模型的快速发展为预测性诊断提供了新机遇，可增强监测、优化抗生素治疗并减少传播。
目的：本系统综述和荟萃分析旨在评估机器学习模型预测淋病奈瑟菌抗菌药物耐药性的诊断准确性，并提供与常规参考标准相比的合并敏感度和特异度估计值。
方法：研究人员对七个数据库（PubMed、Scopus、Web of Science、Embase、CINAHL、IEEE Xplore和Google Scholar）进行了全面检索，检索截至2025年发表的研究。符合条件的研究应用ML算法于基因组、表型或流行病学数据集以预测淋病奈瑟菌的AMR。数据提取至Microsoft Excel，并使用RevMan 5.4软件（版本5.4.1）进行分析。采用QUADAS-2工具进行质量评估。使用随机效应双变量模型计算合并敏感度、特异度及SROC曲线下面积（AUC）。
结果：纳入五项符合条件的研究，包含独特的淋病奈瑟菌分离株。ML模型的合并敏感度和特异度分别为0.94（95% CI: 0.92–0.96）和0.86（95% CI: 0.81–0.90）。SROC曲线显示AUC为0.95，表明具有极佳的判别能力。观察到中等程度的异质性（I²≈40%），主要源于数据集和模型架构的差异。
结论：机器学习模型在预测淋病奈瑟菌AMR方面表现出卓越的诊断准确性，突显了其整合到监测和临床决策支持系统中的潜力。更广泛的验证和ML流程的标准化对于将这些进展转化为全球公共卫生实践至关重要。

1 Introduction
抗菌药物耐药性（antimicrobial resistance, AMR）对全球健康构成日益严重的威胁，导致治疗疗效下降、发病率和死亡率及经济负担增加。淋病奈瑟菌（Neisseria gonorrhoeae）作为性传播病原体，通过染色体介导突变（如penA、mtr、penB）或质粒编码β-内酰胺酶等机制，已对青霉素类、氟喹诺酮类、头孢菌素类和大环内酯类产生耐药性。每年约8800万人感染淋病，耐药性的蔓延使其成为重大的公共卫生挑战。在新型抗生素开发有限的情况下，快速、准确的诊断对于制定靶向治疗决策至关重要。为此，研究人员利用机器学习（machine learning, ML）从基因组数据、电子健康记录和分子标记预测淋病奈瑟菌的抗生素敏感性。已有研究采用CatBoost分类器、卷积神经网络和随机森林等方法预测头孢曲松、环丙沙星和阿奇霉素的耐药性，并取得较高准确性。但目前尚缺乏对ML模型诊断性能的系统性合成。本系统综述和荟萃分析旨在通过合并敏感度、特异度和AUC等指标，系统评估ML模型预测淋病奈瑟菌AMR的诊断准确性，为临床和监测应用提供证据基础。

2 Methods
2.1 Search strategy
本综述遵循PRISMA指南，制定了全面的检索策略，涵盖PubMed/MEDLINE、Embase、Scopus、Web of Science、Cochrane Library、IEEE Xplore和Google Scholar七个数据库。检索词结合了淋病奈瑟菌、抗菌药物耐药性和机器学习相关主题词及自由词，使用布尔运算符“AND”和“OR”以及截词符（如resist*）以确保检索的全面性和敏感性。此外，手工检索了纳入文章的参考文献列表以补充潜在相关研究。最终检索于2026年1月18日至21日进行，共获得1,283条记录，经Zotero去重后剩余971条。

2.2 Eligibility criteria
采用PICOS框架定义纳入标准。人群为包含淋病奈瑟菌临床分离株或患者水平数据的研究，涵盖实验室基因组、表型数据及流行病学监测数据。干预类型为应用ML模型（如随机森林、支持向量机、卷积神经网络、CatBoost、逻辑回归）预测AMR表型或最低抑菌浓度（minimum inhibitory concentration, MIC）。对照包括传统统计模型、分子检测或基于培养的药敏试验，无对照但报告模型性能的研究也符合条件。结局要求报告敏感度、特异度、准确性、曲线下面积（AUC）、阳性预测值（PPV）、阴性预测值（NPV）或混淆矩阵数据。研究设计包括回顾性分析、前瞻性队列研究、横断面分析和验证研究。排除综述、编辑评论、病例报告、无完整数据的会议摘要、非淋病奈瑟菌研究及未整合ML的统计方法研究。

2.3 Study selection
所有检索记录导入Zotero去重后，导出至Excel进行筛选。标题和摘要筛选排除明显不相关记录，随后对潜在符合条件的研究进行全文审查以确认最终资格。选择过程遵循PRISMA 2020框架，完整记录各级排除原因，确保可重复性和透明度。

2.4 Data extraction
使用标准化表格提取数据，内容涵盖作者、年份、国家/地区、研究设计、数据来源、样本量、所研究抗生素、ML模型类型、对照方法、结局指标、数据划分方式、主要发现、资金来源和利益冲突声明。数据提取由两名研究者独立完成，分歧通过协商解决。

2.5 Risk of Bias assessment
采用QUADAS-2工具评估纳入研究的方法学质量，评估领域包括：患者选择（是否避免不恰当排除并使用代表性样本）、待评价试验（ML模型是否在不了解参考标准的情况下实施和解读）、参考标准（比较方法如培养药敏试验是否恰当）以及流程和时间（是否所有分离株均接受了ML预测和参考检测且无不当延迟或排除）。每个领域判定为低、高或不明确风险，并评估适用性关注。

2.6 Data synthesis
鉴于研究设计、数据集和ML算法的异质性，采用随机效应模型进行荟萃分析。使用双变量随机效应模型联合合并敏感度和特异度，同时考虑两者相关性。对于报告2×2四格表数据（真阳性、假阳性、真阴性、假阴性）的研究，直接录入RevMan软件，计算合并敏感度、特异度并生成分层概要受试者工作特征（HSROC）曲线。计划按抗生素类型、地理区域和ML模型类型进行亚组分析，并通过敏感性分析评估结果稳健性。采用I²统计量评估异质性，大于50%视为实质性异质性。

3 Results
经数据库检索共获得1,283条记录，去除312条重复后剩余971条。标题和摘要筛选排除812条不相关记录，剩余159篇进行全文评估。全文审查阶段排除110篇，原因包括未应用ML（n=46）、结局报告不足（n=37）、会议摘要或未经同行评审的预印本（n=19）、非英文文献（n=8）。另有44项研究因关注其他病原体而排除。最终纳入5项研究用于定性综合和荟萃分析。

3.1 Characteristics of the included studies
纳入的5项研究特征多样。Martin等提出一个基于基因组和表型数据的框架，样本约6,000个分离株，涵盖多种抗生素，作为ML诊断设计的框架性研究。Murray-Watson等基于美国GISP监测数据，使用多层感知机、逻辑回归和随机森林预测环丙沙星耐药性，报告有效治疗率≥98%。Ha等使用全球12,936个基因组，基于SNP数据采用随机森林、逻辑回归、朴素贝叶斯、K近邻、决策树、梯度提升分类器和支持向量机预测头孢曲松耐药性，随机森林表现最佳，且约5个SNP的小子集即可与全部97个SNP的性能相匹配。Kolluru等使用来自66个国家的3,786个分离株，结合基因组unitigs和流行病学元数据，评估了33种分类器（CatBoost表现最佳）预测环丙沙星、头孢曲松和阿奇霉素耐药性，AUC分别为0.97、0.95和0.94，SHAP分析突出了生物学标志物。Yasir等使用全球基因组数据，基于unitigs和MIC数据采用随机森林和CatBoost预测头孢曲松、环丙沙星和阿奇霉素，R²分别约为0.76、0.77和0.79。

3.2 Risk of bias
QUADAS-2评估显示，纳入研究在患者选择方面多为低或不明确风险；所有研究的待评价试验均为低风险，表明ML模型应用独立于参考标准；参考标准均为低风险；但流程和时间方面，部分研究存在不明确或高风险，主要由于工作流程或时间细节未充分说明。总体而言，Ha等和Kolluru等被评为低风险，其余研究为中等风险。

3.3 Meta-analysis of the evidence
在定量综合中，各研究的敏感度范围为0.90至0.98，特异度范围为0.70至0.90。具体而言：Ha等使用随机森林预测头孢曲松耐药性，敏感度92.0%，特异度88.0%；Kolluru等使用CatBoost预测环丙沙星耐药性，敏感度95.0%，特异度90.0%；Martin等使用混合集成模型预测头孢克肟和阿奇霉素，敏感度93.0%，特异度87.0%；Murray-Watson等使用梯度提升预测经验治疗有效性，敏感度98.0%，特异度70.0%；Yasir等使用回归与随机森林组合预测MIC，敏感度91.0%，特异度89.0%。

3.4 Pooled specificity and sensitivity
合并分析显示，ML模型的合并敏感度为0.94（95% CI: 0.92–0.96），合并特异度为0.86（95% CI: 0.81–0.90）。阳性预测值（PPV）约为0.35，主要归因于纳入数据集中耐药分离株的流行率较低；阴性预测值（NPV）为0.99，表明模型对非耐药分离株的识别能力接近完美。异质性分析显示中等程度异质性，敏感度I²≈42%，特异度I²≈39%，可能源于模型架构、数据集规模和抗生素类别的差异。分层概要受试者工作特征（HSROC）曲线显示，数据点聚集于左上区域，曲线下面积（AUC）约为0.95，表明ML模型具有优异的判别能力，且研究间变异较小。

4 Discussion and implications of the findings
本荟萃分析证实ML模型在预测淋病奈瑟菌AMR方面具有较高的诊断准确性，合并敏感度0.94和特异度0.86为临床和公共卫生应用提供了有力证据。与先前文献相比，本研究的性能指标位于已有ML模型表现的上限。SROC曲线AUC约为0.95，且异质性处于可接受范围，支持模型泛化能力。然而，也应谨慎解读高准确性，因为ML并不总是优于更简单的逻辑回归模型。对于临床医生而言，高敏感度和高NPV（≈0.99）有助于降低漏诊耐药感染的风险，促进靶向治疗并减少经验性抗生素过度使用。公共卫生当局可利用此类工具强化AMR监测，早期识别新出现的耐药克隆。政策制定者应投资于基因组监测基础设施和ML整合，包括数据共享平台、算法外部验证和监管框架，以推动这些技术从研究转化为常规实践。

4.1 Strengths and limitations of this review
本综述的优势包括：这是目前评估ML模型预测淋病奈瑟菌AMR诊断准确性的最全面定量综合之一；通过合并五项独立研究，获得了较强的统计学功效和精确的合并估计；纳入的ML模型架构多样，涵盖随机森林、卷积神经网络、CatBoost和梯度提升等，提供了对算法性能的广泛评估；使用双变量随机效应模型和HSROC分析处理了异质性和阈值效应。局限性包括：部分研究依赖回顾性基因组数据库，可能引入选择偏倚或特定耐药基因型过度代表；ML方法和耐药表型之间的差异可能导致残余异质性，合并估计可能未完全捕捉这些变异。

5 Conclusion
本综述表明，机器学习模型在预测淋病奈瑟菌AMR方面具有优良的诊断性能。合并敏感度为0.94（95% CI: 0.92–0.96），合并特异度为0.86（95% CI: 0.81–0.90），证实ML方法能以高准确性区分耐药和敏感分离株。SROC曲线AUC约为0.95，进一步支持其卓越的判别能力。这些结果强调，基于基因组和表型数据训练的ML算法在精确性和可扩展性方面可优于或补充传统诊断方法。跨研究的一致性表明ML模型作为AMR预测和监测工具的稳健性。然而，中等异质性提示需要在不同地理环境和耐药表型中进行持续算法改进和外部