【柳叶刀】子刊！瑞士研究学者发文：可预测轻度出血性疾病的决策支持工具

近日，瑞士伯尔尼大学医院研究学者在期刊《The Lancet Digital Health》发表了研究论文，题为“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”，本研究涉及的临床和实验室数据来自两项独立的前瞻性队列研究。训练队列在瑞士伯尔尼大学医院（Inselspital）招募，诊断检查遵循现行指南，最终诊断由专家小组确定。研究人员训练了多种机器学习算法，并将表现最佳的模型在瑞士卢塞恩州立医院（Cantonal Hospital Lucerne）招募的第二队列中进行外部验证。为评估可用性，研究人员创建了一个包含四个病例描述和经过验证的软件可用性问卷——系统可用性量表（SUS）的调查平台。

轻度出血性疾病的术前筛查困境与机器学习应用的现实挑战

 01 

轻度出血性疾病是最常见的遗传性出血疾病，包括血小板功能障碍、冯·维勒布兰德病、轻型血友病等。与血友病不同，轻度出血性疾病通常在手术期间意外出现，导致出血并发症。有效的术前筛查对于预防这些并发症至关重要；然而，目前尚无足够准确或广泛适用的筛查工具，致使相当一部分患者需要接受术前检查。外科医生和麻醉医师通常依赖常规止血参数来决定是否转诊。但多项研究表明，这些参数无法预测是否存在出血性疾病。止血学专家在进行全面实验室检查前会使用国际血栓与止血学会出血评估工具（ISTH-BAT），但其复杂性限制了其在术前环境中的应用。在此背景下，机器学习算法为现有的术前筛查方法提供了一种有前景的替代方案。然而，尽管其具有诊断潜力，但成功应用于临床实践的机器学习算法却寥寥无几。主要障碍包括未能解决明确的临床需求、潜在的偏倚、在外部验证研究中难以实现高性能、缺乏透明度，以及与医疗工作流程无缝整合方面的挑战。

研究结果

 02 

本研究应用了多种可解释的机器学习技术。根据基于排列的特征重要性，最重要的预测因子是简化ISTH-BAT—手术，其次是PFA-EPI和简化ISTH-BAT—鼻出血。

该模型被实现为一个易于使用的网络应用程序，部署在伯尔尼大学的网络服务器上。为了评估该应用的可用性，研究人员开发了一个调查平台，将网络应用程序集成其中，并在后台收集元数据。共有86名受访者完成了调查，包括33名外科医生、29名麻醉科医生和24名血液科医生。由于完成时间超过5分钟，另有5份回复被排除。参与者中，有24人（28%）的工作经验为0至4年，16人（19%）为5至9年，25人（29%）为10至14年，21人（24%）为14年以上。完成并解读MBD-Check计算器的中位时间为72.0秒。该应用程序的SUS评分中位数为82.5，超过了优秀软件可用性的阈值。

可解释的机器学习（可解释的人工智能）

结论

 03 

总之，研究人员开发、外部验证并实施了一种易于使用且具有可解释性的决策支持工具，用于术前预测轻度出血性疾病。该工具在潜在用户评价中表现出较高的准确性和可用性。未来的研究应重点在不同患者群体和医疗环境中对模型进行验证。（转化医学网360zhyx.com）

参考资料：

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

【关于投稿】

转化医学网（360zhyx.com）是转化医学核心门户，旨在推动基础研究、临床诊疗和产业的发展，核心内容涵盖组学、检验、免疫、肿瘤、心血管、糖尿病等。如您有最新的研究内容发表，欢迎联系我们进行免费报道（公众号菜单栏-在线客服联系），我们的理念：内容创造价值，转化铸就未来！

转化医学网（360zhyx.com）发布的文章旨在介绍前沿医学研究进展，不能作为治疗方案使用；如需获得健康指导，请至正规医院就诊。

责任声明：本稿件如有错误之处，敬请联系转化医学网客服进行修改事宜！

微信号：zhuanhuayixue