A Clinically Grounded Rule-Based Phenotyping Framework for Identifying Immune-Related Adverse Events in Structured Electronic Health Record Data: A Retrospective EHR Study

想象你是一名侦探，正试图在一个庞大且混乱的图书馆里破解一个谜团。这座图书馆里装满的不是小说，而是数百万名患者的数字化记录——他们的症状、用药情况以及检查结果。在现代医学领域，一种被称为“免疫检查点抑制剂”的特殊癌症疗法已成为一种“超级英雄”。它能唤醒人体自身的防御系统来对抗癌症。但有时，这种过度觉醒的免疫系统会变得过于兴奋，开始攻击身体的健康部分，比如肠道或皮肤。这些攻击被称为“免疫相关不良事件”（irAEs）。

问题在于，这座图书馆的归档系统非常混乱。并没有一个单一、清晰的标签写着“这位患者正在发生免疫攻击”。记录散落在各处，由不同的医生以不同的方式书写，且往往缺失关键细节。如果你想研究这些攻击发生的频率或哪些人面临风险，你不能只是向图书馆索要一份名单；你必须构建一套聪明的搜索策略，才能从混乱中找到隐藏的线索。这正是这项研究故事的开端：我们如何在没有超级计算机或水晶球的情况下，从海量的结构化数据中发现这些隐藏的医学模式？

---

侦探的新规则手册

在这项研究中，来自犹他大学和亨茨曼癌症研究所的一个研究小组决定构建一种新型的侦探工具。他们并没有使用复杂的人工智能或机器学习——因为那就像是试图教机器人阅读潦草的手写笔记——而是创建了一个“基于规则”的框架。你可以把它想象成一个非常严格、循序渐渐的清单，供人类侦探遵循，以识别特定类型的麻烦：即免疫介导的腹泻和结肠炎（IMDC）。

研究人员首先查阅了医学界的官方“规则手册”，即临床指南。这些指南明确告知医生，当患者出现中度至重度免疫反应时该如何应对。规则规定：“如果患者接受了这种治疗，随后出现了病情，医生很可能会停止治疗并给予强效抗炎药物（类固醇）以平息免疫系统。”

团队将这些医学规则转化为了数字搜索算法。他们的“侦探工具包”包含三个主要线索，用于在电子健康记录中进行搜寻：

1. 触发因素： 患者必须至少接受过一剂激活免疫的癌症药物。
2. 反应： 患者必须在接受药物后的特定时间窗口内接受了免疫抑制治疗（如类固醇）。研究人员将这个窗口设定为最后一次给药后的30天内，或是在治疗间歇的30到90天期间，因为这正是身体通常产生反应的时间。
3. 证据： 患者的医疗记录必须包含特定的“诊断代码”（类似于数字标签），例如腹泻、结肠炎或肠道炎症。

他们在图书馆中的发现

团队在近10万名晚期非小细胞肺癌患者的大型数据集中测试了这一新规则手册。在过滤掉所有不符合标准的人员后，他们留下了一组接受了免疫治疗的14,659名患者。

当他们用这份清单对这组人群进行检查时，结果很有趣但也很谨慎：

• 他们识别出了 576 名患者（占该组人数的 3.93%），这些患者符合发生中度至重度免疫反应的标准。
• 当他们加入最后一个线索——专门寻找肠道相关的诊断代码时，他们将范围缩小到了 58 名患者（占总人数的 0.40%），这些人很可能患有特定的免疫介导性腹泻和结肠炎。

为什么数字可能比预期的要低

研究人员对他们的发现保持了诚实。他们指出，他们发现的患者数量低于其他研究报告的数值。他们并没有归咎于工具的失效，而是解释说，他们的工具设计得非常精准。它寻找的是那些需要医生介入并使用强效药物的“大声”病例。它很可能漏掉了那些不需要停止治疗或服用类固醇的“安静”病例（即轻微反应）。

他们还指出，他们所搜索的数字图书馆存在空白。有时医生会忘记记录患者在家服用的确切剂量，或者他们会对同一个问题使用不同的代码。由于他们的工具依赖于这些结构化记录，因此无法捕捉到每一个病例，但它确实捕捉到了那些记录清晰的病例。

总结

这项研究表明，你并不总是需要高端、昂贵的人工智能来在大数据中寻找医学模式。通过简单地将临床指南的常识转化为逻辑严密的规则集，研究人员可以构建一个易于理解、易于在其他医院复制，并且能有效识别严重副作用的工具。

作者得出结论，虽然他们的方法并不完美，可能会错过一些细微的情况，但它提供了一种识别这些危险反应的实用且“接地气”的方法。这提醒我们，有时解决复杂谜题的最佳方式并不是制造一个机器人来替你完成，而是建立一套任何人都可以遵循的、非常出色且清晰的指令。研究人员计划进一步测试这种方法，并观察通过添加更多类型的数据（如实验室结果或医生的手写笔记）是否能帮助他们在未来发现更多的病例。