借助机器学习提升继发性噬血细胞性淋巴组织细胞增多症的预后评估精准度

要点

• HLH-Risk-Calculator 是一款基于机器学习的新型工具，旨在预测继发性噬血细胞性淋巴组织细胞增多症（secondary hemophagocytic lymphohistiocytosis，sHLH）患者的初始疾病严重程度（initial disease severity，IDS）及死亡风险。
• 该研究纳入了来自欧洲多个中心的 167 例成年 sHLH 患者，并基于 8 项临床和实验室特征构建随机森林模型。
• 关键预测生物标志物包括血清可溶性白细胞介素-2 受体（soluble interleukin-2 receptor，sIL-2R）、白蛋白和血小板计数，提示其具有重要临床意义。
• 该计算器可对多个时间点进行风险预测，但在用于临床实践前仍需外部验证。

研究背景

继发性噬血细胞性淋巴组织细胞增多症（secondary hemophagocytic lymphohistiocytosis，sHLH）是一种急性、高炎症性综合征，其特征为免疫过度激活，可导致多器官功能障碍及较高死亡率。由于其临床表现多样，且诱因异质性较强，包括感染、恶性肿瘤及自身免疫性疾病，因此，将 sHLH 与其他炎症状态区分开来并预测其临床病程仍然具有挑战。现有诊断框架主要侧重于疾病识别；然而，能够在特定时间点预测疾病严重程度和死亡风险的工具仍然缺乏。鉴于 sHLH 进展迅速且常可致命，精准预后评估有助于临床决策、资源分配和治疗策略制定。引入机器学习（machine learning，ML）方法具有潜在优势，可利用复杂数据集捕捉超越传统统计学的预测模式。

研究设计

这是一项回顾性、多中心队列研究，纳入了来自 3 个国家、6 个欧洲中心的 167 例确诊 sHLH 成年患者。研究在基线及随访期间收集了全面的临床、人口学和实验室数据。主要目标有两个：其一，开发用于预测初始疾病严重程度的 ML 模型（定义为需入住重症监护病房〔intensive care unit，ICU〕或在未入住 ICU 的情况下于 90 天内死亡）；其二，预测诊断后 30、60、90、180 和 365 天的死亡风险。

研究基于生物学和预后相关性，选取了两组各 8 项临床相关特征用于建模。随机森林（random forest）算法是一类集成式 ML 方法，以抗过拟合能力强和能够建模非线性关系而著称；该算法分别用于初始疾病严重程度预测及各指定时间点的死亡风险预测。

为提高预测准确性，研究对模型进行了校准，并使用独立留出测试集进行评估：其中用于 IDS 预测的测试集包含 32 例患者，用于死亡风险预测的测试集包含 43 例患者，从而确保模型在未见数据上的验证。

主要发现

这些模型在各项预测任务中均表现出较强的区分能力和良好的总体性能。对于 IDS 预测，随机森林模型能够有效区分存在重症病程风险的患者，其中血清可溶性白细胞介素-2 受体（sIL-2R）水平和白蛋白是最重要的预测因子。白蛋白与疾病严重程度呈负相关，这与其作为负性急性期反应蛋白以及营养和炎症状态标志物的作用一致。

在不同时间点的死亡风险预测模型中，sIL-2R 和血小板计数始终是关键贡献因素。sIL-2R 升高反映免疫激活增强，而血小板减少提示血液学受损；二者在病理生理学上均与 sHLH 的进展和预后密切相关。

模型在留出测试集上的校准结果显示，可较准确估计单个患者的风险，提示这些 ML 工具有望整合至临床流程中以辅助预后评估。然而，摘要中未详细给出受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）、敏感度、特异度及置信区间等指标，完整评价仍需进一步报告。

专家点评

HLH-Risk-Calculator 通过应用机器学习应对 sHLH 管理中的一项重要未满足需求，具有显著创新性。sHLH 以病情迅速恶化和诊断复杂著称，而该工具依赖易于获取的实验室参数，具有较强的实用可行性。对 sIL-2R 的强调也与越来越多的证据一致，即该指标可反映 sHLH 的免疫失衡及疾病活动监测价值。

不过，由于该研究为回顾性设计且样本量中等，解读结果时仍需谨慎。在独立且地域多样的队列中开展外部验证，对于确认其可重复性和普适性至关重要。此外，将原发病因、合并症及治疗干预等临床变量纳入模型，或可进一步提高预测准确性。前瞻性研究有助于阐明风险分层如何影响临床管理及结局。

结论

HLH-Risk-Calculator 借助机器学习，为继发性噬血细胞性淋巴组织细胞增多症提供了一种新的预后评估工具，并显示出在多个时间点预测初始严重程度和死亡风险的良好能力。其基于可及性较高的生物标志物，具备潜在的真实世界应用前景，但仍需严格的外部验证。该工具体现了临床血液学与人工智能的交汇，为 sHLH 的个体化风险评估和优化诊疗提供了路径。

欢迎临床医生和研究人员出于科研目的访问 www.hlh-risk-calculator.com，并参与数据收集，以帮助优化其预测算法。

资助与临床试验

原始研究摘要未明确报告资助来源或临床试验注册信息。更多细节可能见于全文或补充材料。

参考文献

• Ruzicka M, Stubbe HC, Fauser J, et al. The HLH-Risk-Calculator is a machine learning-based tool to predict course & mortality of secondary hemophagocytic lymphohistiocytosis. Intensive Care Med. 2026 Jun 30. PMID: 42377458.
• Janka GE, Lehmberg K. Hemophagocytic lymphohistiocytosis: pathogenesis and treatment. Hematology Am Soc Hematol Educ Program. 2013;2013:605-611.
• La Rosee P, Horne A, Hines M, et al. Recommendations for the management of hemophagocytic lymphohistiocytosis in adults. Blood. 2019;133(23):2465-2477.
• Jordan MB, Allen CE, Weitzman S, Filipovich AH, McClain KL. How I treat hemophagocytic lymphohistiocytosis. Blood. 2011;118(15):4041-4052.