未确诊的丙型肝炎:一个基于安达卢西亚全区健康档案训练的可解释模型找到了63%的病例,但每14次警报中只有1次是真病例

西班牙安达卢西亚的一支团队利用该地区的健康档案(其中包括2017至2024年间确诊的25,028例丙型肝炎)训练了一个可解释的机器学习模型,用来找出已经感染但尚不自知的人。在不作任何修改的情况下用2024年的随机样本测试,它能识别63.5%的未来诊断病例,但被它标记的患者中只有7%真正患病。这项工作在多个方面方法严谨,但仍属概念验证:仅限一个地区,未与现有筛查策略做数字对比,所称的"偏倚审计"在正文中也看不到结果。

背景

丙型肝炎是一种病毒性肝脏感染,常常多年无症状地进展,直至肝硬化或肝癌。自直接抗病毒药物(DAA)问世以来,服药数周即可治愈绝大多数患者。因此瓶颈已不在治疗,而在诊断:据作者介绍,西班牙仍有25%至30%的活动性感染未被诊断。

传统上有两种策略:对特定年龄段人群全面筛查,或针对有已知危险因素的人群(注射吸毒、HIV、既往输血)。后者会漏掉大量病例,前者成本高昂。因此出现了一种思路(美国、以色列、韩国已有尝试):利用病历中已有的数据(化验结果、编码诊断)自动标记需要检测的患者。已发表模型的AUC约在0.77至0.95之间。所以问题不是"能不能做",而是"能不能用,假阳性的代价有多大"。

方法

数据来自安达卢西亚人群健康数据库(Base Poblacional de Salud,BPS),覆盖该地区公共医疗系统逾1,600万用户,在安全的研究环境中进行分析。病例为2017至2024年间所有被诊断为丙型肝炎的人(n = 25,028);正文未说明确切定义(诊断编码、血清学还是病毒RNA)。训练时,每个病例与性别、年龄和卫生区相同的对照匹配,实际比例约为每例9.2名对照(共213,404名对照)。

输入变量包括编码的慢性病(HIV、物质依赖、肥胖、糖尿病、慢阻肺等)以及化验结果的统计摘要(均值、标准差、最小值、最大值):转氨酶ALT和AST、血小板、GGT、血红蛋白等。只使用诊断日期前至少30天记录的数据,以限制数据泄漏(data leakage):如果没有这段间隔,模型就会看到正是因为已怀疑肝炎而开出的检查。

模型为Explainable Boosting Machine(EBM,可解释提升机),由Microsoft Research在InterpretML库中开发。它是一种加性模型:预测值等于各变量贡献之和,每个贡献通过boosting(提升法,即一系列小型决策树依次纠正前面的错误)学习得到。因此可以为每个变量画出其对风险影响的精确曲线。对照模型为正则化逻辑回归。

验证采用时间切分:用2017–2022年的诊断训练,在2023年数据上调整决策阈值以保证至少60%的敏感性(敏感性指被模型标记的患者占全部患者的比例),然后在2024年数据上"盲测"。关键在于测试集未经匹配:包含1,881个病例和从人群中随机抽取的193,054名对照,患病率约1%。这比常见的平衡测试集更接近现实。经可解释性审查后,作者删除了两个被认为主要反映社会弱势的变量(与收入挂钩的药品自付档次、地区贫困指数),还删除了血脂异常,但对后者未作书面说明。

结果

机器学习指标(2024年测试集):AUC为0.837(验证集0.826,训练集0.841)。AUC即ROC曲线下面积,衡量模型把患者排在非患者之前的能力:此处约为随机配对中的84%。在所选阈值下,敏感性63.5%(1,881例中的1,195例),特异性91.8%,阳性预测值(PPV,即被标记者真正感染的概率)7.0%,阴性预测值99.6%。在阳性样本稀少时更严格的精确率-召回率曲线下面积,在测试集降至0.240,而验证集为0.542;这一下降主要源于从匹配数据集转向1%的患病率。

影响最大的变量是ALT最小值(转氨酶持续升高提示肝损伤)、HIV感染、非烟草类物质依赖以及血小板统计量。当数据与诊断之间的间隔从30天延长到720天时,性能逐步下降。校准度(预测概率与实际风险的一致性)并不理想:模型在高概率区间低估风险,测试过的再校准方法未被采用。

临床换算(根据发表的人数,折算为测试人群中的1,000人,其中约10人将在2024年被诊断):模型会标记约88人,其中6人为真病例、81人为假阳性;有3至4个病例被漏掉。也就是说,大约要检测14名被标记者才能找到1例感染。若在患病率低于此测试集的人群中,例如0.3%,同样的敏感性和特异性将使PPV降至约2%,即约50次检测才发现1例。

做得好的地方

第一,测试集贴近现实。许多筛查模型在匹配或平衡的数据集上评估,从而夸大PPV。这里阈值在2023年固定,再应用于患病率约1%的2024年随机样本,作者公布了7%的PPV和93%的错误发现率,而不是用AUC掩盖它们。

第二,模型真正可读。EBM能显示每个变量的作用,而且这一点被实际用上了:可解释性审查促使作者删除了两个被模型当作捷径的社会经济变量。诊断前30天的间隔以及延长至720天的敏感性分析,表明作者确实重视数据泄漏问题。

第三,规模大且数据精简。人群数据库覆盖逾1,600万用户,25,028个病例,只用常规采集的数据:无需额外检查,也无需影像。如果该方法得到证实,在拥有类似数据仓库的医疗系统中可以低成本部署。

不足之处

第一,标签本身就带有shortcut learning(捷径学习)的风险。模型学到的是预测谁会被诊断,而不是谁被感染。HIV感染者和因物质依赖接受随访的人,恰恰是本来就最常被检测的人群;这些变量名列前茅并不意外,也很难说明模型能否在没有已知危险因素的患者中找到真正隐藏的感染。此外,测试集存在人群特征差异:病例平均59.5岁、男性占67.9%,而随机对照平均49.9岁、男性占48.6%。年龄和性别不是模型输入,但依赖于年龄和性别的慢性病和化验值是;因此测试中的部分区分能力可能反映的是年龄而非肝炎。

第二,"偏倚审计"只有宣称没有展示,且缺少对照策略。标题称模型"经过偏倚审计",讨论部分提到各卫生区之间表现一致,但我们阅读的版本中没有按性别、年龄、卫生区或社会经济水平给出任何数字。也没有与真正需要超越的策略(基于危险因素或基于年龄的筛查)进行数字比较;与其他模型的比较只通过文献进行。还有一些需要更正的不一致之处:主模型出现两个不同的阈值(0.1793和0.1437),匹配方式有时写按年龄,有时写按出生年份。

第三,人群偏倚与独立性问题。验证仅为单一地区内的时间验证,没有外部验证;作者承认这一点,也承认不同系统之间编码和流行病学(HIV合并感染、注射吸毒)存在差异。数据为受控访问,正文未确认代码是否公开。最后,该研究部分由丙型肝炎抗病毒药物生产商Gilead Sciences资助,而我们查阅的版本中既无利益冲突声明,也未说明资助方的角色。这并不证明存在偏倚,但读者应当知情。

带来的改变

对研究界:这项工作展示了一种好的做法——在真实患病率下评估并公布PPV,并为后续研究提供了一个可解释的基线。缺失的步骤很清楚:公布亚组结果,与基于危险因素的筛查做数字比较,在其他地区验证,再通过前瞻性研究衡量一次警报究竟能带来多少额外的诊断和治疗。

对临床医生:目前尚无可部署的工具。但其逻辑值得关注:丙肝抗体检测很简单,标记14名患者来发现1例可治愈的感染或许可以接受,前提是确认所发现的病例并非靶向筛查本来就能找到的,且警报不会让基层医疗团队不堪重负。

对患者和公众:设想是由病历本身向一个不知道自己有风险的人建议做一次血液检测。这会引发关于健康数据使用和污名化的合理疑问,因为部分变量(HIV、成瘾)十分敏感。但根本意义仍是积极的:如今发现的每一例感染几乎都可以治愈。

延伸阅读

预印本:An explainable, bias-audited machine learning model to detect hidden hepatitis C from region-wide real-world health records,medRxiv,2026年11月6日发布,DOI 10.64898/2026.11.05.26367298,未经同行评审。作者:Alberto Esteban-Medina、Carlos Loucera、Joaquín Dopazo(Barcelonaβeta Brain Research Center、Hospital del Mar Research Institute、安达卢西亚计算医学平台)和Manuel Romero Gómez(塞维利亚生物医学研究所、Virgen del Rocío大学医院)。资助方:Gilead Sciences西班牙公司、西班牙科学部、Instituto de Salud Carlos III、安达卢西亚自治区政府、Horizon Europe(MLCARE)。工具:实现EBM的开源库InterpretML。

编辑透明度说明:本文由Tatakoto自动化编辑流程根据预印本第1版生成;未能查阅补充材料(补充表格和图)。"每1,000人"的数字和0.3%患病率的模拟为我们根据发表人数自行计算。英文、西班牙文和中文版本由AI生成。发现错误?请联系我们。