用于预测难治性溃疡性结肠炎的可解释人工智能：来自日本全国注册研究的见解

溃疡性结肠炎（UC）是一种慢性炎症性肠病，其特征是结肠黏膜炎症。其临床过程差异很大，缓解通常依赖于皮质类固醇（CS）治疗。然而，一些患者发展为难治性UC，即尽管接受治疗，炎症仍持续存在，需要制定个性化的治疗策略。了解预测治疗反应的预后因素对于优化患者结局至关重要。

目的

本研究旨在开发一个可解释的机器学习模型，以预测难治性UC患者的长期缓解，使用的数据来自生物制剂广泛使用前收集的日本全国注册数据。

方法

该研究分析了2003年4月至2012年3月期间新注册的79,096例病例中的4,003例UC患者。纳入的患者在注册时Mayo评分≥3且自入组以来一直使用皮质类固醇。数据集包括3年的随访数据。开发了一个逐点线性（PWL）模型——一种旨在提供可解释预测的机器学习方法——以预测超过3年的缓解。

结果

PWL模型表现出良好的预测性能，在从注册到两年后的测试数据集中，曲线下面积（AUC）为0.774，精确率为0.55，召回率为0.70，F1得分为0.62。值得注意的是，注册时假息肉的存在与缓解显著负相关，突显了其作为重要预后因素的作用。

仅使用登记年份的数据检验与缓解相关的显著因素时，发现几个因素高度相关，包括假息肉（0.695）、腹痛（0.689）、乙状结肠炎症（0.578）和 5-ASA 的使用（0.513）。这些因素的权重值对于假息肉（-0.056）和腹痛（-0.054）均为负值，表明对缓解率可能存在负面影响。相反，乙状结肠炎症（0.054）和 5-ASA 的使用（0.049）显示正权重值，表明可能存在有益影响。分析注册当年及次年的数据时，发现的关键因素是假息肉（0.982）、手术（0.964）和CAP（0.940）。权重值显示假息肉呈负相关（-0.159），而手术（0.094）和CAP（0.109）呈正相关，进一步强调了它们对缓解率的潜在影响。对于注册后长达2年的数据，显著因素包括假息肉（0.893）、第二年的日常生活（0.743）和第一年使用CS（0.736）。

通过机器学习建立的预测模型显示，影响3年缓解的治疗相关因素可能包括5-ASA（注册年份）、手术类型（注册年份）、CAP（注册年份）和CS给药（1年后）。随后，对与3年缓解相关的结局进行逻辑回归分析，以5-ASA、手术、CAP和CS给药作为关键因素进行分析。

5-ASA、手术、CAP 和 CS 给药的优势比分别为 1.56（95% 置信区间 (CI)，1.14–2.13，p = 0.005）、0.12（95% CI，0.02–0.90，p = 0.039）、0.81（95% CI，0.49–1.34，p = 0.410）和 0.56（95% CI，0.48–0.67，p < 0.001）。

讨论

本研究表明，可解释的人工智能在预测UC的疾病进展和治疗结果方面具有潜力。假息肉通常指示慢性炎症和黏膜损伤，可以作为难治性疾病的一个临床标志。模型的可解释性使临床医生能够理解哪些因素对预后贡献最大，从而促进个性化治疗计划的制定。

临床意义

通过准确预测长期缓解，该模型可以帮助临床医生早期识别难治性UC风险患者，及时采用免疫调节剂或生物制剂等替代疗法进行干预。这在日本队列中尤为重要，因为在该队列中生物制剂的使用之前受到限制。

局限性和未来方向

虽然该模型是在广泛的注册数据上训练的，但它反映了生物制剂在日本广泛使用前的治疗模式。未来的研究应使用包含新型疗法的更近期数据来验证和改进该模型。此外，整合遗传、微生物组和生活方式数据可能进一步提高预测准确性。

结论

本研究成功开发了一个高精度且可解释的机器学习模型，用于预测难治性UC患者的长期缓解。研究结果表明，人工智能在识别关键预后因素（如假息肉）方面的效用，从而支持个性化管理策略以改善患者结局。

参考文献

Sano M, Kanatani Y, Ueda T, Nemoto S, Miyake Y, Tomita N, Suzuki H. Explainable artificial intelligence for prediction of refractory ulcerative colitis: analysis of a Japanese Nationwide Registry. Ann Med. 2025 Dec;57(1):2499960. doi: 10.1080/07853890.2025.2499960 IF: 4.3 Q1 B2

PDF (1.9 MB)