基于机器学习的移动应用程序（CROHN'S AID）在结核病流行地区用于鉴别克罗恩病与肠结核的开发与前瞻性验证

《Alimentary Pharmacology & Therapeutics》：Development and Prospective Validation of a Machine Learning-Based Mobile Application (CROHN'S AID) for Differentiating Crohn's Disease From Intestinal Tuberculosis in Tuberculosis-Endemic Regions

　　**摘要****背景**在结核病流行地区，区分肠道结核（ITB）与克罗恩病是一项重大诊断挑战，常导致治疗不当。我们的目标是开发并前瞻性验证一款基于机器学习的移动应用程序“Crohn's Aid”，以在诊疗现场提供准确、实时的临床决策支持工具。**方法**对印度一家三级中心前瞻性维护的1066例患者数据库（CD=650；ITB=416）进行回顾性分析。使用30个临床、内镜及影像学变量来训练多个机器学习模型，包括CatBoost、随机森林和逻辑回归。将主要模型（CatBoost）整合到一个移动应用程序中。使用受试者工作特征曲线下面积（AUROC）评估性能，并在患者队列中进行前瞻性验证。利用可解释人工智能（SHAP）值来识别关键诊断驱动因素。随后在同一中心的121例前瞻性验证队列中对该模型进行了验证。**结果**内部交叉验证重复了十次，CatBoost模型达到了0.886的平均AUROC，平均灵敏度为76.0%，特异度为84.1%。在前瞻性验证队列（n=121）中，该模型保持了较高的诊断准确性——AUROC为0.921（0.870–0.963），且优于标准贝叶斯参考标准（AUROC 0.750）。在最佳阈值下，该模型显示出平衡的灵敏度和特异度，分别为86.4%和85.5%。关键预测因素包括症状持续时间、横结肠溃疡、肉芽肿、直肠乙状结肠受累和肛周病变。**结论**Crohn's Aid通过将梯度提升决策树与智能手机技术的普及性相结合，在资源有限的环境中减少ITB与CD之间的误诊，代表了在应用数字健康解决长期临床难题方面迈出的重要一步。---**利益冲突**作者声明不存在利益冲突。**数据可用性声明**支持本研究结果的数据可向通讯作者申请获取。由于隐私或伦理限制，数据不公开提供。