Artificial intelligence-assisted prediction of Xpert-confirmed pulmonary tuberculosis using routine clinical and laboratory data in Southern Zambia: a retrospective pilot study
这项在赞比亚南部进行的回顾性试点研究发现，使用常规临床和实验室数据进行简单机器学习模型的对经Xpert证实的肺结核的预测能力有限，表明此类人工智能工具尚不适用于临床部署，并强调了对更大规模、前瞻性策划数据集的需求。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
结核病仍然是世界上最持久的传染病之一，这种细菌感染主要攻击肺部，每年夺走数百万人生命。在包括赞比亚在内的非洲许多地区，面临的挑战不仅是治疗病人，更在于如何足够快地找到他们以阻止疾病传播。医生依靠一种名为 GeneXpert 的快速分子检测来确认疾病，这一过程直接从患者样本中检测细菌的遗传物质。虽然这种检测高度准确，但它需要昂贵的设备和试剂盒，而在偏远地区，庞大的患者数量可能会使系统不堪重负。这一现实促使研究人员提出了一个务实的问题：计算机程序能否通过观察诊所中现有的简单常规信息，来学习预测谁最有可能是结核病患者？这些细节可能包括患者的年龄、是否正在住院、体重指数，或者他们提供的样本类型（如唾液或痰液）。如果人工智能能够通过处理这些数据来标记高风险个体，它或许能帮助诊所更有效地优先分配有限的检测资源。
在赞比亚南部的一个地区医院，一组研究人员决定利用来自他们自己实验室的真实世界数据来测试这个想法。他们收集了 2220 年底至 2021 年初期间接受结核病检测的 129 名患者的记录。目标是观察计算机模型是否可以通过查看在运行检测之前记录的基本细节——例如患者是否为住院患者、他们的血细胞计数以及采集的标本类型——来正确猜测随后的 GeneXpert 检测结果是否为阳性。研究人员将其视为一项试点研究，即在投入更大、更复杂的系统之前，先进行一次小规模试验以观察该方法是否可行。他们仔细清洗了数据，删除了重复条目和缺乏最终检测结果的记录，最后留下 118 个独特的患者病例进行分析。
实验结果令人清醒。当研究人员训练三种不同类型的机器学习模型来进行这些预测时，计算机的表现仅略好于随机猜测。这些模型难以区分患有结核病与未患结核病的患者，其达到的准确度在实际诊所中是毫无用处的。研究团队希望发挥作用的标准线索——如患者的年龄、性别、HIV 状态或白细胞计数——在这一特定群体中均未显示出与该疾病存在强有力或可靠的联系。数据表明，在该地区环境下可获得的常规信息中，并不包含足以让计算机学习到有用模式的信号。该研究明确排除了使用这些简单模型来决定谁应该接受检测或跳过低风险患者检测的可能性，因为这样做可能会漏掉许多病例。
然而，这项研究确实发现了一个从噪声中脱颖而出的意外且具体的细节。研究人员注意到，患者提供的标本类型似乎比几乎其他任何因素都更重要。在那些被标记为“唾液”的样本中，结核病检测呈阳性的比例明显高于提供其他类型样本的患者。具体而言，超过一半的唾液样本呈阳性，而其他样本中仅有约十分之一呈阳性。即使在研究人员根据体重等其他因素进行调整后，这种关联依然很强。然而，团队谨慎地强调，这一发现远未得到证实。这是基于总共仅有的 7 份唾液样本，其中仅 4 份呈阳性。由于样本量如此之小，该结果被视为一种“产生假设的信号”，而非已证实的规则。它表明未来的研究应更密切地观察唾液是否是该项检测更好的样本类型，但它目前并不提供一种新的诊断工具。
最终，这项研究为人工智能在资源匮乏地区的应用提供了一次重要的现实检验。作者得出结论，虽然利用简单数据预测结核病这一想法很有吸引力，但目前的现实是，该地区现有的数据过于稀疏，模式也过于微弱，无法支持一个有效的计算机模型。研究表明，仅仅将常规数字输入复杂的算法，并不能弥补高质量、详细信息的缺失或病例数量较少的问题。研究人员认为，在人工智能能够帮助赞比亚优先进行结核病检测之前，该国需要通过多个中心前瞻性地收集更大规模的数据集，并配备标准化且经过验证的信息。在此之前，寻找结核病最可靠的方法仍然是细致的临床评估和直接使用分子检测，而非基于有限常规记录的计算机预测。
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。