Prospective validation of an uncertainty-aware machine learning model for secondary progressive multiple sclerosis classification
本研究前瞻性地验证了一个通过符合预测（conformal prediction）赋能的随机森林模型，该模型在对继发进展型多发性硬化症进行分类时，表现优于 Lorscheider 标准并具备校准后的不确定性，展示了高敏感性，并支持其作为临床决策支持工具的潜力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
多发性硬化症是一种由于身体的免疫系统错误地攻击神经纤维的保护层，从而破坏大脑与身体其他部分之间通信的疾病。对于许多人来说，这种疾病最初以复发缓解型模式开始，即症状会发作然后消退。然而，随着时间的推移，疾病可能会转变为继发进展阶段，此时残疾程度会稳步恶化，而不再有这些明显的恢复期。识别这一转变发生的准确时刻对于医生来说是极其困难的。与依赖于特定、可测量测试的初始诊断不同，识别这一后期阶段往往取决于医生的判断和长期的病史记录。这种不确定性可能会延迟针对进展阶段专门设计的治疗方案的启动，导致患者在数年内无法获得正确的护理。
瑞典的一个研究小组开发了一种新方法，旨在帮助更早、更可靠地发现这种转变。他们构建了一个计算机模型，通过学习数千名患者的医疗记录来识别一个人从复发阶段向进展阶段过渡的细微迹象。这项工作的不同之处不仅在于该模型可以做出预测，还在于它还能告诉医生对其预测的把握程度。在最近的一项研究中，研究人员将该模型应用于构建模型后收集的新鲜数据进行测试，证明了它在从未见过的患者身上同样有效。他们发现，该模型识别向进展阶段转变的能力远高于目前医生使用的标准方法，同时还能提供清晰的置信度度量。
研究人员首先使用来自瑞典多发性硬化症登记库的海量医疗记录来训练他们的计算机模型。该数据库包含了超过一万名患者的信息和近九万次住院就诊记录。模型学会了观察每次就诊中的特定细节，例如患者的年龄、残疾评分、正在服用的药物类型以及脑部扫描结果。它学会了如何根据医生在登记库中进行的标注，来区分仍处于复发阶段和已进入进展阶段的患者。至关重要的是，该模型被设计包含了一个计算不确定性的系统。这意味着当模型做出判断时，它也会提供一个置信分数，让使用者知道该预测是具有高度确定性，还是数据过于模糊而难以确定。
为了验证该模型在现实世界中的效果，团队并没有仅仅在用于教学的数据上进行测试。相反，他们等待了新数据的到来。他们使用了2025年的记录，其中包括了完全对模型而言全新的、超过一万五千名个体和四万五千次住院就诊记录。这种方法被称为前瞻性验证，是一种严谨的方法，用以确保工具适用于未来的患者，而不只是过去的人。当他们将新数据输入模型时，模型的表现非常精准。在单次住院就诊层面，该模型正确识别了92%的复发阶段病例和95%的进展阶段病例。更重要的是，该模型保持了良好的校准性，这意味着其置信分数与现实相符；当它表示有93%的把握时，它在93%的情况下确实是正确的。
研究人员随后观察了该模型识别转向进展阶段个体的能力。他们发现，该模型成功识别了98%实际发生转变的患者，这一比例显著高于目前的标准方法（后者仅能捕捉到71%）。被称为“Lorscheider标准”的标准方法依赖于一套严格的规则，要求患者在近期没有复发的情况下，表现出长期的功能持续下降。虽然这种方法非常具体且极少出现误报，但因为它需要漫长的等待时间来确认变化，因此会遗漏许多病例。相比之下，新模型能够更早地发现转变，通常是在医生首次注意到变化的那次就诊时，甚至更早。
这项工作最有价值的方面之一在于，该模型不仅仅给出一个“是或否”的答案；它还能解释自己。通过使用一种能够分解哪些因素影响了其决策的技术，研究人员展示了该模型所依赖的临床体征（如残疾评分和年龄）与医生所关注的特征是一致的。这种透明度有助于建立信任，因为它表明模型并非在寻找一些毫无医学意义的隐藏模式。此外，模型能够表达“我不确定”的能力是一项安全特性。在数据较为混乱的情况下，模型会标记出不确定性，而不是进行冒险的猜测，从而允许人类医生介入并更仔细地审查病例。
研究还强调了两种方法在处理过渡期方面的关键差异。该模型识别出了90%的正在过渡中的患者，而标准准则仅识别出了57%。这表明标准准则过于严格，可能导致许多患者无法获得针对进展阶段的特定治疗。随着近期批准了专门针对进展阶段的新药，错过这些患者意味着他们无法获得所需的护理。该模型提供了一种捕捉这些病例的方法，有望让医生更早地开始正确的治疗。
然而，研究人员谨慎地指出，他们的模型并不是医生的替代品。它是一个旨在支持临床决策的工具。该研究是使用瑞典的数据进行的，研究人员承认，在将其应用于全球其他具有不同医疗体系和患者群体的国家之前，需要对其进行测试。他们还指出，模型是学习医生当前如何标注患者的，因此如果这些标注存在延迟或不一致，模型也会反映出这一点。尽管存在这些局限性，研究表明，经过真实世界数据训练的计算机模型可以可靠地预测疾病进展，并提供目前标准实践中所缺失的置信度度量。
这项研究的最终目标是弥合患者病情变化与接受适当治疗之间的时间差。通过提供一个带有明确置信度声明的可靠早期预警系统，该工具可以帮助确保患者不会在被确诊为进展型多发性硬化症的过程中等待多年。研究表明，通过正确的方法，人工智能可以被整合进医学领域，它不是一个神秘的“黑箱”，而是一个透明的、经过校准的助手，帮助医生以更清晰的视野洞察患者健康的未来。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。