Front Med：基于机器学习的疱疹后瘙痒疾病风险预测模型构建
2024-12-29 从医路漫漫 MedSci原创 发表于上海
带状疱疹后瘙痒（PHI）是带状疱疹的一种容易被忽视的并发症，本研究的目的是通过机器学习方法开发和验证一种预测模型，以识别带状疱疹患者中有发生PHI风险的患者，使PHI预防成为一种可行的临床选择。
带状疱疹后带状神经痛（PHN）是带状疱疹最常被提及的并发症，而带状疱疹后瘙痒（PHI）却很少被医护人员和患者所重视。这是因为在大多数患者中，PHN对患者的影响更为显著，而PHI被认为影响相对较小。事实上，带状疱疹患者发生PHI的概率并不低，许多患者同时出现疼痛和瘙痒。一项单中心研究显示，带状疱疹并发PHN的患者中PHI患病率为45%。随着现代医学对患者身心健康的日益关注，越来越多的医生和研究人员开始关注慢性瘙痒对患者的严重影响，包括睡眠障碍、焦虑、抑郁、污名化的影响以及抓挠对皮肤屏障功能的损害。
之前，我们进行了关于PHN预测的研究。在收集PHN发病率的过程中，我们发现相当多的患者有瘙痒症状，这引起了我们对这项研究的兴趣。PHI通常被定义为继发于带状疱疹的慢性神经性瘙痒。然而，这一定义是模糊的，因为它既没有考虑瘙痒的持续时间，也没有考虑瘙痒的严重程度。慢性瘙痒通常被定义为瘙痒超过6周，然而，本研究的随访是在带状疱疹水泡愈合后3个月进行的。因此，在本研究中，PHI定义为带状疱疹皮疹愈合后皮疹部位瘙痒超过3个月。
据我们所知，目前还没有具体的指导方针来指导PHI的治疗和预防。一般情况下，PHI患者的治疗方案为慢性神经性瘙痒。对于PHI的预防，可提供参考的研究并不多。在PHN中，早期疼痛干预，如硬膜外阻滞、椎旁阻滞、经皮神经电刺激和带状疱疹患者的星状神经节阻滞，可有效降低PHN的发生率。然而，对于PHN的预防手段是否对PHI有效，仍然存在争议。一些研究表明，由于瘙痒和疼痛的病理生理学在很大程度上重叠，因此可以考虑使用类似的方法来预防瘙痒。一些研究表明，PHN治疗可能不能充分控制PHI。对于神经性瘙痒，普瑞巴林、加巴喷丁、辣椒素和肉毒杆菌毒素已被发现可有效阻断神经性瘙痒的发展。尽管对PHI的预防存在争议，但事实是，慢性瘙痒患者的治疗往往不令人满意，这使得早期预测PHI的发病和在瘙痒急性期进行积极干预具有意义。
已经发表了一些关于PHI危险因素的研究，包括三叉神经受累、剧烈疼痛和女性。一方面，这些研究纳入的指标数量有限，可能会导致一些与PHI相关的指标被遗漏。所以我们选择了一些与PHN相关的危险因素作为我们研究的纳入指标，因为我们认为PHN和PHI发生的基础都是神经损伤。另一方面，危险因素仅代表较高的发生率，这不够直观，对临床医生的决策帮助有限。预测模型可以将危险因素转化为发病概率，更好地帮助临床决策。
因此，本研究的目的是通过机器学习方法建立一个预测PHI的模型。建立PHI预测模型的意义是多方面的：对于患者来说，可以帮助他们对PHI发生的可能性做好心理准备，有助于指导有针对性的干预措施，减轻患者的痛苦。对于医生来说，我们希望这项研究能够提高他们对PHI的认识，并对预测患有PHI的患者进行积极的干预和治疗。对于研究者来说，我们研究中包含的一些指标可能对PHI机制的研究具有一定的参考价值。
据我们所知，这是第一个使用机器学习方法构建与PHI相关的预测模型的研究。本研究采用逻辑回归（LR）、随机森林（RF）、k近邻（KNN）、梯度增强决策树（GBDT）和神经网络（NN）五种机器学习方法构建预测模型，旨在选择适合PHI预测的最优算法，更好地帮助临床医生进行决策。
方法：对浙江中医药大学第一附属医院住院的488例带状疱疹患者进行回顾性分析，根据患者是否有PHI进行分类。收集这些参与者的50个指标作为模型的潜在输入特征。使用最小绝对收缩选择算子（LASSO）确定与PHI相关的特征以纳入模型。将所有数据分成五部分，然后将每一部分作为验证集，其余部分作为训练集进行训练和验证，此过程重复100次。利用机器学习方法在训练集中建立了逻辑回归、随机森林、k近邻、梯度增强决策树和神经网络5个模型，并在测试集中对这些模型的性能进行了评价。
患者的招募和处理
评估的诊断和评分标准
PHI组和非PHI组的患者特征和个体变量的AUC
单因素ROC曲线(A)、AUC图(B)及相关分析(C)结果
五个模型在训练数据集和测试数据集上的性能指标
训练集和测试集中五个模型的混淆矩阵
训练集(A)和测试集(B)的ROC曲线，训练集(C)和测试集(D)的校正曲线，训练集(E)和测试集(F)的决策曲线。
逻辑回归的Nomogram
结果：从Lasso回归结果中选择7个非零特征变量纳入模型，包括年龄、中度疼痛、皮疹恢复时间、糖尿病、剧烈疼痛、头部和面部皮疹、嗜碱性粒细胞比例。RF模型的性能优于其他模型。在测试集上，RF模型的AUC为0.84[(95%置信区间（CI）： 0.80-0.88]，准确度为0.78 (95% CI: 0.69-0.86)，精密度为0.61 (95% CI: 0.45-0.77)，召回率为0.73 (95% CI: 0.58-0.89)，特异性为0.79 （95% CI: 0.70-0.89）。
结论：本研究通过分析历史病例数据，采用5种机器学习方法构建疱疹后瘙痒风险预测模型，并通过对比分析选出最优模型，随机森林模型是表现最好的模型。
Front Med：基于机器学习的疱疹后瘙痒疾病风险预测模型构建
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#机器学习# #风险预测模型# #疱疹后瘙痒#
10