编辑推荐：

　　本研究针对血液淋巴肿瘤NGS检测(Heme-STAMP)临床应用的决策困境，开发了基于电子健康记录(EHR)的机器学习模型。研究人员通过整合FHIR API和云计算的DEPLOYR框架，实现实时预测并与专家判断对比。结果显示模型AUC达0.77，与血液学家水平相当，且组合预测可改善校准。该成果发表于《npj Digital Medicine》，为精准医疗时代下的智能决策支持提供了范式。

在精准医疗时代，下一代测序(NGS)技术已成为血液淋巴肿瘤诊疗的核心工具。然而斯坦福大学团队发现，Heme-STAMP等NGS检测面临两难困境：一方面检测成本高昂且解读复杂，另一方面临床实践中存在过度使用与使用不足并存的现象。更棘手的是，随着检测应用场景的扩展，非血液专科医师的检测申请量激增，但缺乏有效的决策支持工具。这种现状催生了一个关键科学问题：能否通过人工智能技术，在保证检测质量的同时优化临床决策流程？

为回答这个问题，Grace Y. E. Kim和Jonathan H. Chen领衔的研究团队开展了一项创新性研究。他们开发了基于随机森林算法的预测模型，通过分析3472例回顾性订单数据，构建了能预测Heme-STAMP检测结果的决策系统。研究采用前瞻性设计，将模型部署到真实临床环境，与血液学专家的实时判断进行头对头比较。结果显示，仅使用结构化EHR数据的模型展现出与专家相当的判别能力(AUC 0.77 vs 0.78)，且在阴性预测值达0.95时，模型特异性优于人类专家。

技术方法上，研究团队构建了DEPLOYR技术框架：1)通过FHIR-based Epic API从Epic Chronicles实时获取患者数据；2)利用Azure云平台运行随机森林模型；3)采用静默警报触发预测流程；4)建立半自动化邮件系统收集医师预估。样本来自斯坦福大学医学中心2022-2023年连续Heme-STAMP检测病例，最终纳入100例前瞻性验证病例。

【机器学习模型与专家血液学家性能相当】

通过对比模型、申请医师和独立医师的预测表现，发现三者的AUROC分别为0.77、0.78和0.72。值得注意的是，模型仅依赖年龄、血常规等结构化数据，而医师还能获取病理报告等非结构化信息。SHAP分析显示，高龄(OR=1.03/年)、别嘌醇处方(OR=2.1)和白细胞升高是最强预测因子。

【组合预测改善校准性能】

将模型与医师预测取平均值后，Brier评分从0.26降至0.21，显示校准改善。但研究发现医师较少因模型输出改变决策(仅20%差异病例调整估计)，提示人机协同需要更优的交互设计。热图分析揭示医师预测存在"高估聚集"现象，约40%病例预估>90%，而模型预测分布更均衡。

【技术框架实现临床整合】

研究成功将定制模型整合到实时EHR系统，解决了三大技术挑战：1)通过Epic API直接访问动态临床数据；2)处理EHR版本更新导致的特征漂移；3)建立静默触发机制避免干扰工作流。尽管存在用药命名变更等现实干扰，模型在前瞻性环境中保持稳定性能。

讨论部分指出，这项研究具有三重突破意义：首先，证实了结构化EHR数据足以支持复杂检测的预测，这对资源有限机构尤为重要；其次，展示了组合人机预测可兼顾判别力与校准度，为决策支持系统设计提供新思路；最后，DEPLOYR框架为临床AI落地树立了技术标杆。研究也揭示了局限性，如模型可能捕捉到临床行为偏差(如别嘌醇处方)，且在老年组表现稍逊，这为后续研究指明了方向。

这项发表于《npj Digital Medicine》的研究，不仅为NGS检测的合理应用提供了智能决策工具，更开创性地建立了临床AI从实验室到病床边的转化路径。随着类似技术在不同检测场景的推广，或将重塑精准医疗时代的临床决策范式。

转载请注明：可思数据 » 实时机器学习预测下一代测序结果：临床决策支持系统的前瞻性验证研究

免责声明：本站来源的信息均由网友自主投稿和发布、编辑整理上传，或转载于第三方平台，对此类作品本站仅提供交流平台，不为其版权负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本站联系，我们将及时更正、删除，谢谢。联系邮箱：elon368@sina.com