《Scientific Reports》：AI based prediction of severe exacerbation in Asian bronchiectasis patients using the KMBARC registry
编辑推荐：
本研究针对基于欧洲人群开发的经典评分工具（如BSI和FACED）可能不完全符合亚洲临床特征的问题，研发了一种专门针对亚洲人群的人工智能模型，用于预测支气管扩张症患者的严重急性加重（AEs）。研究利用韩国多中心支气管扩张症登记（KMBARC）数据，发现多层感知器（MLP）模型的预测性能优于经典评分。SHAP分析确定了关键预测因子。该模型为亚洲患者提供了更精准的个体化风险评估工具。
支气管扩张症作为一种慢性呼吸系统疾病，困扰着全球众多患者。病情的反复加重，尤其是那些需要急诊或住院处理的严重急性加重，不仅严重影响患者的生活质量，也给医疗系统带来沉重负担。过去，医生们依赖一些成熟的评分工具，例如支气管扩张严重程度指数（Bronchiectasis Severity Index， BSI）和FACED评分，来评估患者的病情严重程度和预测未来的风险。然而，这些“经典武器”的诞生地多在欧洲，它们的“训练”基于欧洲患者的数据。当它们来到亚洲的临床战场时，一个现实问题浮现了：由于人种、环境、医疗实践等多方面的差异，这些基于欧洲队列开发的工具，其预测“准星”是否还能精准地对准亚洲患者的特点？换言之，我们是否需要一套为亚洲人群量身定制的“风险预警系统”？这正是本项研究的出发点和核心驱动力。
为了解决上述问题，研究团队将目光投向了人工智能（AI）这一前沿技术。他们开展了一项旨在开发针对亚洲人群的人工智能模型的研究，专门用于预测支气管扩张症患者的严重急性加重。研究结果发表在国际知名期刊《Scientific Reports》上。
为了构建这个模型，研究人员主要采用了以下几项关键技术方法：首先，他们建立了一个高质量的临床数据队列，该队列来源于韩国多中心支气管扩张症审计与研究合作（Korean Multicenter Bronchiectasis Audit and Research Collaboration， KMBARC）登记系统，共纳入了492名具有一年随访数据的患者。其次，他们明确定义了研究的预测目标事件——严重急性加重，即因呼吸道症状恶化而需要急诊就诊或住院的事件。接着，研究团队训练并比较了三种不同的人工智能算法模型，包括极端梯度提升（Extreme Gradient Boosting）、逻辑回归（Logistic Regression）和多层感知器（Multilayer Perceptron， MLP）。最后，为了理解AI模型的决策依据并识别关键预测因素，他们使用了沙普利加性解释（Shapley Additive exPlanations， SHAP）这一可解释性AI技术进行分析。
研究结果部分通过系统的分析，得出了以下主要发现：
在“患者特征与结局”方面，研究分析了492名患者的数据，在为期一年的随访中，共有56名患者（占总人数的11.4%）经历了至少一次严重急性加重事件，这为模型训练提供了明确的阳性样本。
在“AI模型与经典评分的性能比较”方面，研究对三种AI模型和两种经典评分工具（BSI和FACED）的预测能力进行了头对头的较量。性能评估指标包括灵敏度、特异性、F1分数和受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve， AUROC）。结果显示，在所有的模型中，多层感知器（MLP）模型展现出了最佳的综合性能。其各项指标均优于传统的BSI和FACED评分，表明这个为亚洲数据专门训练的AI模型在区分哪些患者会发生严重急性加重方面，具有更高的准确性。
在“关键预测因子的识别”方面，为了揭开AI模型（特别是表现最佳的MLP模型）的“黑箱”，研究团队应用了SHAP分析。这项分析如同一台高精度的探测器，揭示了影响模型预测的最重要变量。分析指出，支气管扩张严重程度指数（BSI）本身就是一个强大的预测因子。此外，患者的痰液特征（例如痰量或性质）、以及既往是否有肺结核病史和肺炎病史，被确定为预测严重急性加重的关键临床特征。这为临床医生提供了明确的关注焦点。
综合以上研究结果，本研究得出了明确而有力的结论。尽管传统的BSI和FACED评分在预测支气管扩张症预后方面依然表现良好，但这项研究证实，利用本地化临床数据开发的人群特异性人工智能模型，能够实现更优的预测性能。具体而言，基于韩国KMBARC队列数据训练的多层感知器（MLP）模型，在预测亚洲支气管扩张症患者的严重急性加重风险上，超越了经典的评分工具。通过SHAP分析，研究进一步将BSI、痰液特征、肺结核及肺炎病史界定为核心预测因子。
在讨论部分，研究者强调了此项工作的深远意义。这项研究不仅成功地验证了AI在呼吸疾病风险预测中的应用潜力，更重要的是，它凸显了医疗人工智能模型“本土化”或“人群特异性”的必要性。直接套用基于其他人群开发的模型可能存在性能损耗，而基于目标人群数据训练的模型则能更好地捕捉该人群特有的风险模式。因此，本研究所开发的AI模型，有望成为亚洲临床医生手中一个更为精准的工具，辅助他们对支气管扩张症患者进行个体化的风险评估，从而提前干预高风险患者，优化医疗资源分配，最终改善患者的临床结局。这为未来在更多元人群和更广泛疾病领域中开发和应用可信赖的、可解释的临床AI模型提供了有价值的范例。
