【柳葉刀】子刊！瑞士研究學者發文：可預測輕度出血性疾病的決策支持工具

近日，瑞士伯爾尼大學醫院研究學者在期刊《The Lancet Digital Health》發表了研究論文，題為“Development, validation, and user-centric evaluation of an interpretable machine learning decision support tool for the preoperative prediction of mild bleeding disorders (MBD-Check): a prospective diagnostic prediction study”，本研究涉及的臨床和實驗室數據來自兩項獨立的前瞻性隊列研究。訓練隊列在瑞士伯爾尼大學醫院（Inselspital）招募，診斷檢查遵循現行指南，最終診斷由專家小組確定。研究人員訓練了多種機器學習算法，并將表現最佳的模型在瑞士盧塞恩州立醫院（Cantonal Hospital Lucerne）招募的第二隊列中進行外部驗證。為評估可用性，研究人員創建了一個包含四個病例描述和經過驗證的軟件可用性問卷——系統可用性量表（SUS）的調查平臺。

輕度出血性疾病的術前篩查困境與機器學習應用的現實挑戰

01

輕度出血性疾病是最常見的遺傳性出血疾病，包括血小板功能障礙、馮·維勒布蘭德病、輕型血友病等。與血友病不同，輕度出血性疾病通常在手術期間意外出現，導致出血并發癥。有效的術前篩查對于預防這些并發癥至關重要；然而，目前尚無足夠準確或廣泛適用的篩查工具，致使相當一部分患者需要接受術前檢查。外科醫生和麻醉醫師通常依賴常規止血參數來決定是否轉診。但多項研究表明，這些參數無法預測是否存在出血性疾病。止血學專家在進行全面實驗室檢查前會使用國際血栓與止血學會出血評估工具（ISTH-BAT），但其復雜性限制了其在術前環境中的應用。在此背景下，機器學習算法為現有的術前篩查方法提供了一種有前景的替代方案。然而，盡管其具有診斷潛力，但成功應用于臨床實踐的機器學習算法卻寥寥無幾。主要障礙包括未能解決明確的臨床需求、潛在的偏倚、在外部驗證研究中難以實現高性能、缺乏透明度，以及與醫療工作流程無縫整合方面的挑戰。

研究結果

02

本研究應用了多種可解釋的機器學習技術。根據基于排列的特征重要性，最重要的預測因子是簡化ISTH-BAT—手術，其次是PFA-EPI和簡化ISTH-BAT—鼻出血。

該模型被實現為一個易于使用的網絡應用程序，部署在伯爾尼大學的網絡服務器上。為了評估該應用的可用性，研究人員開發了一個調查平臺，將網絡應用程序集成其中，并在后臺收集元數據。共有86名受訪者完成了調查，包括33名外科醫生、29名麻醉科醫生和24名血液科醫生。由于完成時間超過5分鐘，另有5份回復被排除。參與者中，有24人（28%）的工作經驗為0至4年，16人（19%）為5至9年，25人（29%）為10至14年，21人（24%）為14年以上。完成并解讀MBD-Check計算器的中位時間為72.0秒。該應用程序的SUS評分中位數為82.5，超過了優秀軟件可用性的閾值。

可解釋的機器學習（可解釋的人工智能）

結論

03

總之，研究人員開發、外部驗證并實施了一種易于使用且具有可解釋性的決策支持工具，用于術前預測輕度出血性疾病。該工具在潛在用戶評價中表現出較高的準確性和可用性。未來的研究應重點在不同患者群體和醫療環境中對模型進行驗證。

參考資料：

https://www.thelancet.com/journals/landig/article/PIIS2589-7500(26)00042-7/fulltext

免費論壇

【關于投稿】

轉化醫學網（360zhyx.com）是轉化醫學核心門戶，旨在推動基礎研究、臨床診療和產業的發展，核心內容涵蓋組學、檢驗、免疫、腫瘤、心血管、糖尿病等。如您有最新的研究內容發表，歡迎聯系我們進行免費報道（公眾號菜單欄-在線客服聯系），我們的理念：內容創造價值，轉化鑄就未來！

轉化醫學網（360zhyx.com）發布的文章旨在介紹前沿醫學研究進展，不能作為治療方案使用；如需獲得健康指導，請至正規醫院就診。

責任聲明：本稿件如有錯誤之處，敬請聯系轉化醫學網客服進行修改事宜！

微信號：zhuanhuayixue

★ 5月份熱門內容 ★

01

02

03

04

05

06