Development and Multicenter Validation of an Ensemble Machine Learning Model for Symptom-Based Triage of Hepatopancreatobiliary Diseases

肝胆胰疾病影响肝脏、胆囊、胰腺以及输送胆汁的管道网络。这些病症的范围很广，从痛苦的结石到危及生命的癌症不等。治疗这些疾病的一个主要挑战在于，早期预警信号往往非常模糊。患者可能会感到全身不适、恶心或轻微疼痛，这些症状可能指向数十种不同的、较轻微的问题。由于这些早期信号缺乏特异性，患者经常在寻求专科医生帮助之前等待过久，而等到通过影像学或手术做出明确诊断时，疾病可能已经进展到治疗难度大得多的阶段。在世界许多地方，获取先进诊断工具的机会有限，这使得区分谁需要紧急护理以及谁不需要变得更加困难。

为了解决这个问题，研究人员转向了机器学习，这是一个计算机通过从大量数据中学习来识别模式的领域。这些系统并非依赖单一测试，而是可以综合权衡许多细小的线索——例如患者疼痛的类型、年龄或近期是否体重减轻——来计算风险评分。其目标是创建一个能在医生接触患者的第一时间发挥作用的工具，帮助识别那些需要立即进行专业关注的患者。这种方法并不是要取代对先进检测的需求，而是旨在确保正确的患者能更早地被转诊给正确的专家。

来自印度的研究团队开发并测试了这样一种工具，创建了一个旨在仅根据症状和基本病史对患者进行分诊的计算机模型。在一项涉及多个医院数千人的研究中，他们构建了一个能够倾听患者陈述并决定其患有严重肝胆胰疾病可能性的系统。研究人员收集了 2,296 名因疑似此类疾病症状就诊于医院的人员数据。他们将这一群体分为两组：一组用于教计算机如何识别模式的大型组，以及另一组完全不同的、用于测试计算机在面对新患者时表现如何的测试组。

他们创建的计算机模型是一个“集成模型”（ensemble），这意味着它结合了三种不同类型算法的决策能力。可以将它想象成一个由三位专家组成的评审团，每位专家都有看待证据的不同方式，并共同投票得出最终结论。其中一种算法特别擅长捕捉症状之间复杂的非线性关系；另一种专注于在学习过程中纠正错误；第三种则擅长在不同数据组之间划定清晰的界限。通过平均它们的预测结果，研究团队希望创造出一个既足够敏感以捕捉大多数病例，又足够特异以避免将健康人群送去进行不必要且昂贵检查的系统。

当研究人员在包含 781 名患者的独立组中测试这种组合模型时，结果令人瞩目。该系统正确识别了 76.1% 确实患有肝胆胰疾病的患者。更重要的是，它在排除非疾病患者方面也非常准确，正确识别了 93.9% 的健康对照组。这意味着如果模型标记一名患者为高风险，那么该患者确实患有需要进一步调查的疾病的可能性为 94.9%。该模型的总准确率为 83.2%，这个数字代表了计算机的判断与最终医学诊断相吻合的频率。

研究还将这一数字化工具与人类专家的判断进行了对比。在同一组患者中，经验丰富的胃肠外科医生仅识别出了 62% 的实际病例。该计算机模型通过发现医生最初遗漏的额外 14 个百分点的病例，表现优于人类专家。这种进步意义重大，因为这表明该模型能够捕捉到人类可能会忽略的症状组合中的微妙模式，尤其是在处理患者呈现的海量信息时。例如，该模型在识别胆囊癌和胆石症方面特别有效，但在检测某些类型的胰腺肿瘤方面稍显吃力，这表明尽管该工具功能强大，但对于每种疾病的细分类型尚未达到完美。

为了使这项技术在现实世界中发挥作用，研究人员开发了一个双语移动应用程序。该应用允许医生或护士输入患者的症状，例如腹痛的位置、是否发热或是否有体重减轻史。随后，应用会立即计算出一个风险评分。如果评分较低，患者被归类为低风险，可以进行常规护理管理；如果评分较高，应用则建议立即转诊进行高级影像学检查或专家评估。这种工作流程旨在简单快捷，将复杂的机器学习数学运算转化为初级保健提供者可以执行的明确、可操作的决策。

研究人员还观察了诊断时机如何影响癌症患者的预后。他们发现，在症状出现后四个月内接受治疗转诊的患者，更有可能通过手术实现根治性切除。而诊断延迟超过四个月的患者，接受这种救命治疗的可能性显著降低。虽然这项研究并未证明计算机模型本身导致了这些患者的早期转诊，但数据表明，一个能够更早识别风险的工具可以帮助缩小症状发作与根治性治疗之间的时间差距。

尽管取得了这些令人鼓舞的结果，作者仍谨慎地指出了其工作的局限性。用于训练和测试模型的数据来自大型专科医院，这意味着这些患者已经病情较重或患有复杂疾病。该模型尚未在基层医疗环境中进行测试，而在那里，患者的症状可能较轻，或者具有不同的健康状况。研究人员承认，该工具需要在社区进行进一步测试，以确保它在普通人群中也能像在本次研究的医院患者中那样有效。他们还指出，该模型是一个决策辅助工具，而非取代医生判断的工具，它应当用于支持而非取代临床专业知识。

研究结论认为，基于症状的机器学习模型可以作为一种强大的、低成本的工具，用于在疾病早期阶段对患者进行分诊。通过专注于在第一次就诊时即可获得的信息，这样的系统可以帮助医疗系统（特别是在资源有限的环境下）优先处理那些最需要紧急护理的患者。研究人员计划继续开展工作，在现实世界的基层医疗诊所中测试该应用，以观察它是否真的能缩短诊断这些复杂且往往隐匿的疾病所需的时间。