《Infectious Medicine》:Development and validation of an interpretable machine learning model for the early diagnosis of
Pneumocystis jirovecii pneumonia in immunosuppressed patients
编辑推荐:
**背景**:耶氏肺孢子菌肺炎(Pneumocystis jirovecii pneumonia, PJP)是免疫抑制患者中常见且可能致命的感染。PJP的快速准确诊断仍具挑战性,因为诊断延迟会增加病死率。本研究旨在利用无创、易获取的数据开发机器学习模型,以快速
**背景**:耶氏肺孢子菌肺炎(Pneumocystis jirovecii pneumonia, PJP)是免疫抑制患者中常见且可能致命的感染。PJP的快速准确诊断仍具挑战性,因为诊断延迟会增加病死率。本研究旨在利用无创、易获取的数据开发机器学习模型,以快速评估此类患者的PJP风险。
**方法**:研究人员开展了一项多中心回顾性研究,纳入2018年1月1日至2021年12月31日期间接受支气管肺泡灌洗(bronchoalveolar lavage, BAL)评估的免疫抑制肺炎患者。研究纳入来自10家医院诊断为PJP或非PJP患者的临床基线数据。数据预处理后,研究人员根据入院时间将患者分为训练队列和验证队列。经过特征选择后,研究人员开发了一个模型,并使用验证队列的插补数据集评估模型性能。优化后的模型通过SHapley Additive exPlanations(SHAP)进行解释。
**结果**:研究共纳入359例患者,包括189例PJP患者和170例非PJP肺炎患者。其中,271例被分配到训练集用于模型开发,88例组成验证集用于性能评估。根据特征重要性排序,研究人员选取了15个特征用于模型开发。经调参后选定的CatBoost模型在验证集中达到了81.8%(95% CI: 73.5%–90.1%)的准确率、82.9%(95% CI: 70.0–95.9%)的灵敏度和81.1%(95% CI: 70.2%–91.9%)的特异度。
**结论**:研究人员构建了一个高性能诊断模型,可利用入院24小时内的易获取临床数据对免疫抑制患者进行PJP的快速早期诊断。该工具可能有助于临床医生评估免疫功能低下肺炎患者的PJP概率。
**论文解读:基于可解释机器学习模型的免疫抑制患者耶氏肺孢子菌肺炎早期诊断**
**一、研究背景与问题**
耶氏肺孢子菌肺炎(Pneumocystis jirovecii pneumonia, PJP)是免疫抑制患者中常见的机会性真菌感染,在非HIV感染人群中的病死率高达30%–60%。PJP病情进展迅速,治疗延误可导致严重呼吸衰竭和病死率增加。然而,PJP的临床表现缺乏特异性,病程隐匿,早期快速诊断面临巨大挑战。胸部CT上典型的双侧磨玻璃影(ground-glass opacity, GGO)也可见于其他常见肺炎,难以据此鉴别。下呼吸道标本染色镜检虽是金标准,但灵敏度低,阴性结果不能排除PJP;实时聚合酶链反应(polymerase chain reaction, PCR)灵敏度好但特异性低,且结果受标本类型与质量等因素影响;(1,3)-β-D-葡聚糖((1,3)-β-D-glucan, BDG)作为血清学生物标志物灵敏度高但特异性相对不足;宏基因组二代测序(metagenomic next-generation sequencing, mNGS)虽有效但需24–48小时且许多医院无法开展。此外,获取肺泡灌洗液常需行支气管肺泡灌洗(bronchoalveolar lavage, BAL),属侵入性操作,对氧合状态差的PJP患者存在风险。因此,开发基于无创、易获取数据的非侵入性诊断工具,对于早期快速识别PJP、及时启动有效治疗和降低病死率具有重要临床意义。机器学习技术能够利用海量医疗数据发现复杂模式,为疾病诊断和预测提供新的途径。
**二、研究内容与结论**
针对上述临床困境,研究人员开展了一项多中心回顾性研究,纳入2018年1月1日至2021年12月31日期间中国10家三级医院中接受BAL评估的免疫抑制肺炎患者,最终共359例,其中PJP患者189例、非PJP肺炎患者170例。研究人员按入院时间将患者分为训练集(2018–2020年,271例)和验证集(2021年,88例),采用时间验证(TRIPOD 2b型)策略。通过基于XGBoost模型的特征重要性排序,研究人员筛选出15个临床特征用于建模,涵盖人口学特征、免疫抑制状态、实验室指标、生命体征和影像学表现。在比较13种分类器后,研究人员选定CatBoost模型并进行了网格超参数调优。优化后的模型在训练集取得了97.4%的准确率和99.6%的AUC,在时间验证集取得了81.8%的准确率、82.9%的灵敏度和81.1%的特异度。模型通过SHAP方法进行解释,并构建了免费的在线网页计算器。该研究提供了一种基于入院24小时内常规可获取数据的PJP早期辅助诊断工具,可能有助于减少诊断延误、降低病死率,尤其在无法耐受侵入性BAL检查的患者中具有应用价值。
**三、关键技术与方法**
研究人员开展了一项多中心回顾性研究,样本来自中国10家三级医院2018年至2021年收治的359例免疫抑制肺炎患者(PJP 189例,非PJP 170例),其中271例构成训练集、88例构成验证集。技术流程包括:采用MissForest算法对缺失率低于30%的特征进行多重插补;使用XGBoost模型基于全部60个候选特征进行特征重要性排序,筛选出15个特征;在PyCaret框架内对13种分类器进行十折交叉验证比较,最终选取CatBoost模型并经网格搜索优化超参数;采用SHAP方法解释模型输出,计算每个特征对预测值的贡献并绘制可视化图;最终构建了可公开访问的网页概率计算器。整个建模流程遵循TRIPOD声明,采用按入院年份划分的时间验证策略(2b型)评估模型性能。
**四、研究结果**
**4.1 患者基线特征**
研究共纳入359例免疫抑制肺炎患者,其中PJP组189例、非PJP组170例。与非PJP组相比,PJP组患者更年轻(中位年龄52.0岁对62.0岁,p < 0.001)、吸烟者比例更低(13.8%对26.5%,p = 0.004)、全身糖皮质激素使用比例更高(48.1%对28.2%,p < 0.001)。非PJP组外周血白细胞、中性粒细胞、C反应蛋白、降钙素原(procalcitonin, PCT)、总胆红素(total bilirubin, TBil)、肌酐、血尿素氮水平显著更高,而PJP组血清乳酸脱氢酶(lactate dehydrogenase, LDH)水平显著更高、血清BDG检出更常见。胸部CT方面,PJP组更多表现为GGO、斑片影和间质性改变,非PJP组更多表现为实变和胸腔积液。
**4.2 特征与模型选择**
研究人员基于XGBoost模型对全部特征进行重要性排序,最终筛选出15个特征用于模型开发,其中血清BDG水平重要性最高,其次为吸烟史、TBil、化疗史、PCT等。逐一剔除单个特征的敏感性检验显示,去除任何一个特征均导致AUC明显下降,表明模型性能依赖于多个互补预测因子而非单一主导变量。在训练集中比较了多种分类器的表现后,CatBoost分类器因性能最佳而被选中,经网格搜索超参数调优后进入验证阶段。
**4.3 模型性能评估**
在训练集中,优化后的CatBoost模型AUC为99.6%(95% CI: 99.1%–100.0%),准确率97.4%,灵敏度96.7%,特异度98.3%,阳性预测值98.7%,阴性预测值95.7%。在独立的时间验证集中,模型AUC为84.7%(95% CI: 75.8%–93.5%),准确率81.8%,灵敏度82.9%,特异度81.1%,阳性预测值74.4%,阴性预测值87.8%。验证集表现低于训练集,可能反映了训练集的乐观偏差以及临床实践、检测模式和患者特征随时间推移的变化。模型在时间分离的验证集中仍保持良好的区分能力,支持其泛化性能。
**4.4 模型可解释性**
SHAP分析显示,血清BDG水平对模型输出的影响最大,其次为年龄、TBil、PCT、LDH等特征。在PJP患者中,大部分特征对应正的SHAP值,推高模型输出从而支持PJP诊断;在非PJP患者中,大部分特征对应负的SHAP值,降低模型输出从而不支持PJP诊断。研究团队进一步构建了网页计算器(https://catboost-model-pjp-prediction-system.streamlit.app/),用户输入预测因子值即可获得PJP预测概率,旨在入院时辅助快速风险分层、优先安排确认性检测并适时启动经验性治疗。
**五、讨论与结论**
讨论部分指出,PJP的临床、影像和实验室表现均缺乏特异性,尤其在非HIV患者中更易误判。现有微生物学检测在灵敏度、特异性、及时性、可及性和成本效益方面各有局限。本研究首次报道了基于临床表现在整个免疫抑制人群中进行PJP早期诊断的机器学习模型。该模型纳入的多个预测因子与既往研究一致:LDH升高是PJP的典型特征,WBC和PCT升高提示细菌感染,长期吸烟暴露可能增加非PJP肺炎风险,而胸腔积液在PJP中较少见。CD4+T淋巴细胞计数因缺失数据过多未被纳入,反映了其在非HIV免疫抑制患者中并非常规检测的现实情况。与既往局限于血液系统恶性肿瘤或重症肺炎人群的模型相比,本研究面向更广泛的免疫抑制人群,纳入了定植对照,并涵盖多中心不同层级医院,增强了模型的可推广性。局限包括:回顾性设计、院前抗PJP预防用药及抗生素暴露数据不可得、部分亚组样本量不足、仅进行了内部时间验证而未行外部验证、对照组选择可能引入谱偏倚。结论为:该机器学习模型可利用入院24小时内的常规临床数据实现PJP的早期准确诊断,可能减少治疗延迟、降低病情严重程度和病死率。