Development and preliminary external validation of a machine learning-based model for predicting 28-day mortality in non-HIV patients with Pneumocystis jirovecii pneumonia: a two-centre retrospective study
这项两中心回顾性研究利用13个常规临床和实验室变量开发并初步验证了一个LASSO逻辑回归模型，该模型在预测非艾滋病毒感染合并耶氏肺孢子菌肺炎患者的28天死亡率方面表现出良好的性能，尽管其研究结果仍需通过更大规模的前瞻性研究进行确认。
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
在人类健康的复杂图景中，某些感染会对免疫系统虚弱的人群发起特别猛烈的攻击。其中一种感染是由一种被称为“耶氏肺孢子菌”（Pneumocystis jirovecii）的微观生物引起的，这种生物静静地存在于空气中，但当一个人的防御能力下降时，它会演变成严重的肺炎。虽然这种疾病曾被认为几乎专门威胁到携带艾滋病毒（HIV）的人群，但医生们观察到一个令人不安的变化：它正越来越多地影响到其他面临严重健康挑战的患者，例如癌症、器官移植或自身免疫性疾病患者。对于这些非艾滋病毒感染患者而言，这种疾病往往移动得惊人迅速，导致呼吸困难和身体功能突然下降。医疗团队面临的核心挑战在于，如何预知哪些患者可能存活，而哪些患者正处于数周内死亡的即刻危险之中，以便他们能迅速采取行动。然而，预测这种结果非常困难，因为身体的反应涉及一个错综复杂的因素网络，从肺部功能的完善程度到血液凝固情况，再到器官处理压力的能力。
为了应对这种不确定性，中国的一个研究小组致力于开发一种数字工具，旨在在为时不及之前识别出致命结局的预警信号。他们将目光锁定在一组已被确诊患有这种肺炎但并未感染艾滋病毒的成年患者身上。通过回顾 2020 年至 2025 年间两家主要医院收治的 165 名患者的病历，该团队收集了每位患者在诊断时的海量信息。这些数据包括年龄和性别等基本细节、通过标准评分系统衡量的病情严重程度、接受的治疗方案以及广泛的血液检测结果。其目标是观察计算机程序是否能够学习并识别出数据中区分生存 28 天与未能生存患者的特定模式。
研究人员测试了几种不同的数学方法，即机器学习算法，以观察哪一种能最好地梳理这些信息。他们对比了模拟人类决策的方法、构建复杂决策树的方法，以及其他寻找变量间微妙联系的方法。在针对第一家医院的数据运行这些不同模型后，他们发现一种特定的方法——即使用一种过滤掉次要信息的技术——表现最为出色。该模型识别出了 13 个与死亡风险最密切相关的关键因素。这些因素包括患者的整体严重程度评分、是否使用支持血压的药物、血液中指示炎症或凝血的某些蛋白质水平，以及肺部交换氧气的效率。
当研究小组将这个表现最好的模型应用于来自另一家医院的 23 名患者的独立样本组进行测试时，结果令人瞩目。该模型以极高的准确度正确识别了能够存活的患者；虽然它在识别非生存者方面达到了完美的特异性，但在检测所有非生存者的能力上受到限制，仅正确识别了约三分之二的病例；然而，由于第二个样本组规模较小，其结果应被视为一个充满希望的开端，而非最终的定论。分析还揭示了哪些信息对计算机的决策最为重要。事实证明，血液中一种名为乳酸（标志着身体组织未能获得足够氧气）的物质水平、一种名为 D-二聚体（D-dimer）的凝血标记物水平，以及支持血压药物的使用，是三个最具影响力的因素。这些变量本质上向模型传达了患者身体正承受着严重压力、正挣扎于维持血液循环和基本功能的信号。
研究结论指出，这种基于常规医学检测和观察建立的工具，在帮助医生在疾病早期评估风险方面具有真正的潜力。然而，作者谨慎地指出，这项工作仍处于初步阶段。由于该研究是基于过往记录且涉及的患者数量相对较少，其发现最好被视为一个需要进一步验证的假设。该模型尚未被证明能在现实世界的临床环境中改变医生的治疗方式或提高生存率。在这一工具能够用于指导生死攸关的决策之前，它需要在不同地区和医疗系统中经过更大规模人群的验证。目前，它是一个清晰的证明，展示了严重的感染所产生的复杂且混乱的信号可以被组织成连贯的预测，从而为观察患者康复的未来提供了一种潜在的新途径。
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。