系统性免疫炎症指数指导机器学习用于快速TTP诊断:一个回顾性队列研究
Zhenqi Liu1, Xu Ye1
1Department of Hematology, The Second Affiliated Hospital of Guangzhou Medical University, Guangzhou, China.
Frontiers in medicine
|November 3, 2025
概括
一个新的机器学习模型使用像SII这样的常规血液测试来帮助快速识别血栓性血栓性细胞缩小紫外线 (TTP),这是一个罕见的血液疾病. 这为早期风险分层提供了一个快速,易于使用的工具,特别是在资源有限的环境中.
科学领域:
- 血液学 血液学 血液学
- 医疗信息学 医疗信息学
背景情况:
- 血栓性血栓细胞性紫外线 (TTP) 是一种罕见的,危及生命的血栓性微血管病.
- 及时诊断对于降低TTP死亡率至关重要.
- 早期的TTP识别通常会因慢慢的ADAMTS13测试而延迟,特别是在资源较低的环境中.
研究的目的:
- 开发和评估一种机器学习模型,以区分TTP与免疫血小板缺血症 (ITP).
- 为了利用易于获得的炎症标志物用于早期TTP风险分层.
- 在资源有限的环境中提供快速,可访问的诊断替代方案.
主要方法:
- 对196名住院患者的回顾性分析.
- 开发和比较八个机器学习模型.
- 使用的炎症标志物:系统性免疫炎症指数 (SII),血小板与淋巴细胞比率 (PLR) 和血小板中性粒细胞产物 (PPN).
主要成果:
- 后勤回归模型以0.78.8的AUC实现了最佳性能.
- 在模型中,SII被确定为最有影响力的预测因素.
- 开发的模型为早期风险分层提供了PLASMIC评分的快速,可访问的替代方案.
结论:
- 使用复合炎症标记物的机器学习模型可以帮助快速分类疑似TTP病例.
- 这种方法在紧急部门或资源有限的环境中尤其有价值.
- 常规血液检查与人工智能相结合,为改善TTP诊断和管理提供了一个有希望的策略.
