1区7.5分！机器学习（RF/AdaBoost/SVC/XGBoost）优化神经梅毒诊断：基于1648例HIV阴性患者，对比6种国际指南！免费在线工具助力临床决策

神经梅毒（NS）的诊断长期缺乏金标准，临床高度依赖多学科协作和脑脊液（CSF）检测，在资源有限地区难以普及。本研究基于1648例HIV阴性梅毒患者的真实世界数据（来自广州、北京、厦门、西雅图四中心），首次系统比较了5种机器学习算法（随机森林RF、AdaBoost、支持向量机SVC、NuSVC、XGBoost）在6种国际神经梅毒诊断指南（中国2020、欧洲2020、澳大利亚2022、UpToDate 2020、美国CDC 2018、美国2021治疗指南）下的诊断性能。结果显示：所有模型AUC和PRAUC均>0.90，校准良好，临床净收益显著。SHAP特征重要性分析表明，神经系统症状、CSF蛋白和CSF白细胞计数是大多数指南中最稳定的核心预测指标。研究还发现，不同指南的最佳算法存在差异——XGBoost在欧洲、澳大利亚和美国2021指南中表现最优，RF在中国指南中最佳，SVC/NuSVC在特定指南中更优。研究者同时开发了免费在线工具（https://neurosyphilis-prediction.streamlit.app/），可根据不同诊断标准为个体患者提供风险预测。

今天给大家解读一篇4月发表在《Emerging Microbes & Infections》上的题目为“Optimizing machine learning-based diagnosis of neurosyphilis in HIV-negative patients: a multicenter, real-world comparison of international diagnostic criteria.”的文章。本研究是一项多中心研究，旨在优化HIV阴性患者神经梅毒的机器学习诊断方法。研究团队根据六项国际诊断指南开发了相应的机器学习模型，并使用来自中国和美国的四个中心的真实世界数据进行了训练与外部验证。最终，研究将性能优异的模型集成到一个免费的在线工具中，为临床医生提供诊断决策支持。（请持续关注我们，每天为您解读最新见刊的文献!）想薅生信资料羊毛？直接在对话框回复 “资料”，免费领取干货大礼包！包括数据集、绘图代码、图表复现、思路总结、参考文献……0代码！鼠标点点点即可轻松完成5-10分生信SCI全文复现！

不想做实验，没数据，还想要快速发表文章，没问题的！公共数据库就是我们的数据宝藏！没思路不用担心，作为专业的生信团队，我们很乐意为你们效劳，提供研究路线设计和数据挖掘分析，扫码联系我们吧！

       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
团队成员合影（位于上海陆家嘴中心，可随时预约参观）
       
       
       

        
       
       
       

                                    （向下滑动查看更多）

CNSknowall 平台 Pubmed+AI 快速提炼全文要点

研究思路：

1. 数据收集
   从四个中心（广州、北京、厦门、西雅图）收集了1648例疑似神经梅毒病例。
2. 队列划分
   以广州队列作为训练队列，其他三个中心的队列作为外部验证队列。
3. 模型开发
   针对六项国际诊断指南，使用随机搜索和三折交叉验证训练了五种机器学习算法（随机森林、Adaboost、SVC、NuSVC、XGboost）。
4. 性能评估
   使用AUC、PRAUC、校准曲线、决策曲线净收益、Brier评分和SHAP等多种指标全面评估模型的区分能力、校准度、临床效用和可解释性。

研究亮点：

1. 模型性能优异：所有机器学习模型在不同指南下均表现出优秀的区分能力（AUC和PRAUC >0.90），并具有良好的校准性、可靠性和积极的临床实用性。
2. 关键预测因子一致：无论模型或指南如何，神经系统症状、脑脊液蛋白和脑脊液白细胞计数始终是最强的预测因子。
3. 实用工具开发：研究提供了一个免费、基于网络的工具，将模型操作化，为全球临床医生提供符合当地诊断标准的适应性决策支持。

研究结果：

1. 预测因子
   在所有模型和指南的分析中，神经系统症状、脑脊液蛋白和脑脊液白细胞计数 consistently ranked as the strongest predictors。
2. 模型性能
   所有模型均取得了优异的区分能力（AUC和PRAUC >0.90），并且具有良好的校准度、可靠性和积极的临床效用。不过，模型性能因所采用的诊断指南不同而存在 modestly 的差异。

研究总结：

1. 研究发现，最优的机器学习诊断方法取决于所应用的诊断定义。这表明在开发和评估诊断模型时，必须明确其基于的诊断标准。
2. 研究所开发的免费在线工具实现了这些模型，旨在为全球临床医生提供与当地诊断标准相适应的决策支持，有望帮助应对不同资源环境下的诊断挑战。

结果译文：

总之，本研究共纳入1648例HIV阴性梅毒感染者。其中，来自广州的659例作为开发队列，来自北京、厦门和西雅图的480例、493例和16例分别作为三个独立的外部验证队列。按6种诊断指南划分的四个队列的二分类结果见补充表S3。

更多结果和补充图表：doi：   10.1080/22221751.2026.2648888

可向下滑动发掘更多科研秘籍！