《Frontiers in Artificial Intelligence》：Clinical phenotypes and risk stratification for limb-threatening outcomes in acute compartment syndrome: a multicenter externally validated study
编辑推荐：
中文翻译（摘要部分）：背景：急性筋膜间室综合征（acute compartment syndrome, ACS）是一种时间敏感的肢体威胁性疾病，可能进展为不可逆的肌肉坏死和截肢。临床异质性使严重肢体结局的早期评估复杂化。本研究旨在识别具有临床可解释性的表型模式
中文翻译（摘要部分）：背景：急性筋膜间室综合征（acute compartment syndrome, ACS）是一种时间敏感的肢体威胁性疾病，可能进展为不可逆的肌肉坏死和截肢。临床异质性使严重肢体结局的早期评估复杂化。本研究旨在识别具有临床可解释性的表型模式，并评估表型信息是否能够改善ACS的风险分层。方法：这项多中心回顾性队列研究纳入来自五个医疗中心的1,475例ACS患者，包括训练队列（n=1,088）和医院独立外部验证队列（n=387）。研究人员在不使用结局信息的情况下，对115个常规收集的临床变量进行数据驱动聚类，以识别探索性表型。随后，分别仅使用临床变量或联合表型信息建立肌肉坏死和截肢的风险模型。通过区分度、校准度、决策曲线分析、外部验证和预测因子贡献分析评估模型性能。结果：研究识别出五种探索性临床表型，反映了损伤特征、缺血表现、组织损伤负荷和全身损害的不同模式。外部验证中，表型信息对肌肉坏死预测的区分度几乎没有额外提升（两种模型的ROC-AUC均为0.989）。对于截肢，纳入表型的模型显示出比基础模型更高的区分度（ROC-AUC：0.959 vs. 0.937；PR-AUC：0.763 vs. 0.681）以及更低的Brier评分（0.105 vs. 0.119）。风险估计主要由肌肉损伤标志物、肾功能和全身严重程度指标驱动。结论：ACS包含与不同严重肢体结局风险相关的临床异质性模式。表型信息对截肢提供了额外的风险分层价值，但对肌肉坏死无此价值。这些表型应被视为探索性的临床模式，而非确定的生物学亚型。在个体化风险估计可用于临床之前，需要前瞻性验证和重新校准。
论文解读：
急性筋膜间室综合征（acute compartment syndrome, ACS）是一种由骨筋膜室内压力升高和组织灌注受损引起的时间敏感、肢体威胁性骨科急症。延迟识别可能导致不可逆的肌肉坏死、神经功能障碍、感染、截肢甚至死亡。目前的风险评估主要依赖临床体征、实验室标志物如肌酸激酶（creatine kinase, CK）、肌红蛋白和肾功能指标，以及临床医生经验。然而，ACS具有高度异质性，患者在损伤机制、解剖部位、缺血严重程度、肌肉损伤负荷、转诊史和全身状态等方面存在差异，单一症状、体征或生物标志物往往难以全面反映疾病严重程度或区分不同结局风险的患者亚组。传统分组策略通常基于预设结局或单一危险因素，而临床表型分析提供了一种数据驱动的方法来理解这种异质性，可能揭示描述性的损伤模式并为进一步研究产生假设。
本研究旨在建立一个以无监督临床表型为核心的机器学习框架。研究首先利用候选变量集识别ACS患者中的潜在模式，比较其临床特征和结局发生率；其次针对肌肉坏死和截肢两个结局开发和验证监督模型；最后使用SHAP分析解释模型输出，并评估存档的网页原型。研究为多中心回顾性队列研究，纳入2015至2026年间五个医疗中心收治的1,475例ACS患者，其中训练队列1,088例，医院独立外部验证队列387例。外部验证队列通过医院层面分离定义，无中心重叠。肌肉坏死由两名临床医生根据术中发现判定，截肢定义为因ACS或其并发症在指数住院或相关治疗期间的肢体截肢。预测框架定位为诊断后风险分层，而非诊断前筛查，预测时间点为首次入院评估和实验室检查后、首次筋膜切开或手术探查之前的初始术前评估。
研究人员使用115个常规收集的临床变量进行无监督聚类，采用Gower-like距离和PAM风格k-medoids算法，比较k=2至6的聚类性能，最终基于临床粒度、簇大小和可解释性的实用平衡保留k=5作为主要描述性方案。五种表型被命名：P1上肢低损伤表型、P2年轻转诊相关缺血表型、P3小腿骨折相关表型、P4严重肌肉损伤伴贫血/低白蛋白血症表型、P5转诊相关全身损害表型。表型标签在聚类后根据优势临床特征和观察结局率分配，属于描述性标签而非因果或诊断标签。监督模型方面，M1和M3使用120个预测因子，M2和M4额外纳入表型信息使用125个预测因子，分别采用LightGBM（M1、M4）、CatBoost（M2）和XGBoost（M3）算法，开发过程中使用五折分层交叉验证，并在固定内部验证子集和医院独立外部验证队列中评估。外部验证队列不进行重新聚类，通过训练拟合的变换将每个患者映射至最近训练衍生medoid。
研究结果显示，肌肉坏死模型M1和M2在外部验证中表现几乎一致，ROC-AUC均为0.989，PR-AUC均为0.986，Brier评分分别为0.042和0.041，表明表型信息对肌肉坏死几乎没有增量区分价值。对于截肢模型，M4相比M3在外部验证中显示出更高的区分度（ROC-AUC 0.959 vs. 0.937；PR-AUC 0.763 vs. 0.681）和更低的Brier评分（0.105 vs. 0.119），同时特异性（0.881 vs. 0.783）、阳性预测值（0.481 vs. 0.342）和F1评分（0.628 vs. 0.500）均有所提高，灵敏度略低（0.905 vs. 0.929）。这表明表型信息对截肢具有增量外部验证性能。SHAP分析显示，M2模型的主要贡献因子包括CK、肌红蛋白、ALT、AST、总蛋白、血红蛋白、肌酐、单核细胞计数和白蛋白；M4模型的主要贡献因子包括肌酐、肌红蛋白、CK、AST、ALT、血红蛋白、体温、初始输血、心率和PLR。表型指标并未主导SHAP排序，结合低轮廓系数和方法依赖性，表型应被视为异质性的探索性表示而非替代原始临床预测因子或既定的诊断分类法。外部验证中，校准曲线显示预测风险与观察风险之间存在不完全一致，尤其是截肢模型偏差较大，决策曲线分析表明模型净获益在特定阈值范围内超过全部治疗或不治疗策略。
研究结论为：该研究识别出五种探索性、临床可解释的ACS模式，并为四个预测模型提供了医院独立外部验证性能。表型增强对截肢保留了增量区分能力，但对肌肉坏死无此价值。低聚类分离度、方法和时间变量敏感性、损伤相关生物标志物的显著贡献、缺乏中心分层分析以及校准不足，均阻碍临床部署。在个体化风险估计可供临床使用之前，需要具有标准化结局判定和重新校准的额外前瞻性时间和地理多样化验证。
