基于电子健康档案的罕见溶酶体贮积病筛查中专家规则与一类分类机器学习模型的比较研究

《Scientific Reports》：Expert rules versus machine learning for lysosomal storage disorder identification: a comparative analysis using clinical data

　　

摘要

罕见溶酶体贮积病（如戈谢病（GD）、酸性鞘磷脂酶缺乏症（ASMD）和Saposin C缺乏症）的早期诊断至关重要，但诊断常常延迟。电子健康档案（EHR）为筛查提供了机会，但类别不平衡问题对计算方法构成挑战。一类分类（OCC）机器学习（ML）模型与临床医生推导的专家规则在实际应用中的表现差异仍知之甚少。我们比较了基于器官肿大和血细胞减少等表型的临床医生策划的专家规则系统与八个OCC模型，涉及阿联酋某卫生系统的572名患者（13例戈谢病、8例ASMD、3例Saposin C、548例对照）。评估采用了关注不平衡的指标，包括召回率、精确度、F1和F2分数、平衡准确率、精确率-召回率曲线下面积以及需筛查人数（NNS）。专家规则系统展现出高且稳定的召回率（76.9%–100.0%），且具有临床可行的筛查工作量（NNS：3.0–7.7）。在匹配比较中，规则始终优于最佳的OCC模型（F1分数：戈谢病0.749 vs 0.626；ASMD 0.751 vs 0.580；Saposin 0.631 vs 0.360）。随着疾病罕见程度增加，ML模型表现出严重的不稳定性，在超罕见的Saposin队列上出现灾难性失败（精确度为0%）。在该EHR队列的所有三种疾病中，随着疾病罕见程度增加，专家规则比一类ML提供了更稳定的召回率和更具临床可行性的筛查工作量（NNS）。这种稳定性被证明至关重要，因为罕见病筛查的主要临床目标是确保不遗漏任何病例（即最大化召回率）。专家规则提供了这种可靠的高召回率筛查，而某些提高精确度的OCC模型是以不可接受的敏感度和稳定性下降为代价的。鉴于超罕见的Saposin队列，OCC方法在我们的数据集中不可靠，而专家规则保留了敏感度。总体而言，我们的研究结果支持一种混合策略，即专家规则设定可靠的召回率底线，而ML仅作为二次工具，用于在标记子集中进行重新排序或分诊。