可解释的MDR/RR-TB（耐多药结核病/复发型结核病）预测模型在结核病-糖尿病共病患者中的应用：该模型通过双中心研究开发并进行了验证

《BMC Infectious Diseases》：Explainable prediction of MDR/RR-TB in tuberculosis-diabetes mellitus multimorbidity: a machine learning model developed and validated in a dual-center study

　　

摘要

背景

结核病与糖尿病（TB-DM）的共病显著增加了多重耐药/利福平耐药结核病（MDR/RR-TB）的风险。针对这一高风险人群的早期风险分层工具仍然缺乏。

目的

开发并验证一个可解释的机器学习（ML）模型，用于预测患有TB-DM共病的患者是否患有MDR/RR-TB，并利用可解释的人工智能技术识别关键预测因素。

方法

这项双中心回顾性研究在2019年1月至2022年12月期间招募了245名患有TB-DM共病的患者。构建了七种机器学习算法，并通过10折交叉验证进行了验证。模型性能通过接收者操作特征曲线下面积（AUC-ROC）、准确性、精确度、召回率、F1分数、校准曲线和决策曲线分析（DCA）进行评估。使用SHapley Additive exPlanations（SHAP）方法识别出关键的预测因素。

结果

随机森林（RF）模型表现最佳，其AUC-ROC为0.818，准确率为0.806，精确度为0.688，召回率为0.611，F1分数为0.647；中等的召回率表明存在较高的假阴性率（FNR），这支持将其作为分诊工具而非独立的诊断测试。校准和DCA分析证实了该模型在0.06–0.80的临床相关阈值范围内具有稳健的预测可靠性和显著的临床净收益。SHAP分析确定症状出现到确诊的时间间隔、结核病（TB）治疗史、治疗依从性、肺空洞形成和吸烟史是五个最关键的预测因素。

结论

这个可解释的RF模型能够准确可靠地预测患有TB-DM共病的患者患MDR/RR-TB的风险。症状出现到确诊的时间间隔是最关键的风险因素。该模型有助于临床分诊、早期干预和个性化管理。