Development and internal validation of a CSF-free machine-learning model to distinguish immune checkpoint inhibitor-induced encephalitis from HSV-1 and anti-LGI1 encephalitis
本研究表明，排除脑脊液特征的机器学习模型在区分免疫检查点抑制剂诱发的脑炎与 HSV-1 及抗 LGI1 脑炎方面的准确率与包含脑脊液数据的模型相当，这表明尽管仍需进行外部验证，但该模型具有在腰椎穿刺前进行分诊的潜在应用价值。
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
当人体的免疫系统被激活以对抗癌症时，它有时会将矛头指向大脑，导致一种罕见但危险的疾病——免疫检查点抑制剂诱发的脑炎。这是因为强效抗癌药物旨在解除免疫系统的“刹车”，却意外触发了对脑组织的攻击。这些症状可能令人恐惧且令人困惑：患者可能会丧失记忆、变得烦躁不安、出现癫痫发作，甚至陷入昏迷。医学上的挑战在于，这些症状与另外两种严重的脑部疾病几乎完全一致。一种是由单纯疱疹病毒引起的感染，需要立即使用抗病毒药物治疗以防止死亡；另一种是自身免疫性疾病，即身体攻击大脑中的特定蛋白质，需要另一种不同类型的药物来平息免疫反应。由于这两种治疗方法截然不同，医生必须迅速弄清楚患者面临的是哪种疾病。通常，确认诊断的唯一方法是进行腰椎穿刺，即通过将针头插入背部较低处，采集包裹大脑和脊髓的液体样本。这项检查具有侵入性，可能会带来疼痛，并且如果患者颅内压力过高，有时必须推迟进行。
研究人员想知道，是否可以使用计算机程序在不需要先进行这种液体样本检测的情况下，将这三种情况区分开来。他们构建了一个机器学习模型（一种能够从过往医疗记录中学习识别模式的软件），将其作为一种分诊工具。目标是观察计算机能否通过查看患者的症状、血液检查和脑部扫描结果，在获得侵入性脊髓穿刺的结果之前，对问题究竟是药物反应、病毒感染还是自身免疫问题做出强有 l 的判断。如果这种工具效果良好，它可以帮助医生决定谁需要立即进行脊髓穿刺，谁可以等待，从而可能加速护理进程并减少不必要的医疗操作。
这项研究背后的团队利用了 51 名已确诊患有这三种疾病之一的患者的医疗记录集。他们为每位患者收集了广泛的信息，包括年龄、意识状态、是否发生癫痫、脑部扫描显示的情况以及各种血液检查结果。然后，他们训练了一个计算机程序，让其寻找区分“癌症药物反应组”与其他两组合并后的差异。为了测试其效果，他们将数据分成许多小块，在某些部分进行训练，并在其他部分进行测试，并多次重复这一过程，以确保结果并非仅仅靠运气。他们创建了两个版本的模型：一个使用了所有可用数据（包括脊髓液结果），另一个仅使用在脊髓穿刺前可获得的资料（如症状、血液检查和脑部影像）。
结果显示，在不含脊髓液数据的计算机模型在区分这些病症方面的准确度，与包含脊髓液数据的模型相当。然而，研究人员强调，这并不意味着该工具是完美的，或者已经准备好取代标准检测。该模型预测个体精确风险的能力有限，且其校准度较差，这意味着它生成的概率评分不应被视为绝对风险。计算机利用的最重要的线索并非脊髓液，而是磁共振成像扫描中大脑的表现以及一项衡量体内炎症的特定血液检查。当脑部扫描显示正常或呈现非典型严重感染的变化，且血液中的炎症指标较高时，计算机会倾向于诊断为癌症药物反应。相反，当脑部扫描显示明显的感染迹象或患者频繁发生癫痫时，计算机则更有可能提示病毒或自身免疫性原因。
不过，研究人员谨慎地解释了这个工具能做什么以及不能做什么。虽然计算机擅长发现模式，但在预测单个人的确切风险方面并不完美。研究还测试了一种特定的策略，即只有在计算机几乎完全确定时才会给出“是”的答案，旨在避免漏掉危险的病毒感染。在这种严格规则下，在研究小组所发现的特定患病率（37.3%）水平下，正确识别出癌症药物反应患者的比例仅为 21%–22%。在病毒感染率更低的现实医院环境中，这个数字会显著下降至仅 3%–6%，且出错的可能性也会增加。计算机可能会错误地将患有病毒感染的患者标记为癌症药物反应，这是一种危险的错误，因为病毒感染需要立即进行抗病毒治疗。
研究结论指出，尽管该计算机模型是帮助医生在获得脊髓液结果前进行初步筛选的一种有前景的方法，但它不能取代脊髓穿刺本身。侵入性检查仍然是排除病毒感染的唯一可靠手段，因为一旦漏诊，病毒感染可能是致命的。该计算机模型最适合作为一种辅助工具，它可以突出显示哪些患者最有可能出现癌症药物反应，从而在等待最终确认时为医生提供更好的紧迫感参考。研究人员强调，该工具需要在更大规模的人群及不同的医院中进行测试，以确保其在现实世界中的可靠性，因为它所学习到的模式可能会受到原始数据收集方式的影响。目前，它展示了人工智能未来如何协助处理这些复杂的医疗决策的一个缩影，但它尚未成为替代那些沿用数十年的关键救命检测手段的工具。
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。