基于机器学习构建视神经脊髓炎谱系疾病复发预测模型

摘要

目的 总结视神经脊髓炎谱系疾病（NMOSD）临床特征，筛选其复发风险因素，利用机器学习方法构建NMOSD复发临床预测模型并评估其预测能力。方法 采用单中心队列回顾性研究方法，收集2017-12-01—2019-12-01首都医科大学附属北京同仁医院神经内科治疗的NMOSD病例为原始队列，收集入组时至第一次复发的相关临床指标，将复发组和未复发组存在统计学差异的临床指标作为候选预测因子。收集2019-12-02—2020-12-25治疗的NMOSD病例为模型测试集队列，采用随机生存森林模型构建和验证预测模型。结果 原始队列共收集患者145例，随访时间中位数718 d，其中复发组73例（50.3%），未复发组72例（49.7%）。对2组分析发现8个候选预测因子：MOG-IgG、基线EDSS评分、感觉评分、ANA抗体阳性、入组类型视神经炎、入组类型非视神经-脊髓型、入组后未规律预防性免疫治疗和入组后利妥昔单抗治疗。将原始队列以1∶1随机拆分为训练集（73例）和验证集（72例），分别进行模型构建及内部验证，最后应用测试集数据36例患者进行模型外部验证。训练集AUC(95%CI)=0.880(0.806～0.954)，验证集AUC(95%CI)=0.833(0.737～0.930)，测试集AUC(95%CI)=0.706(0.525～0.887)，模型具有良好的区分度和良好的预测能力。基线EDSS评分、未规律预防性免疫治疗和感觉评分是本模型发现的前3个重要特征。结论 基于随机生存森林算法构建的NMOSD复发预测模型具有良好的预测能力，基线EDSS评分、未规律预防性免疫治疗和感觉评分是该模型发现的前3个重要特征。

关键词

视神经脊髓炎谱系疾病 / 临床特征 / 复发 / 临床预测模型 / 机器学习 / 随机生存森林 / 预测效能