关键词:
地中海贫血
缺铁性贫血
数学模型
红细胞参数
筛查
鉴别诊断
摘要:
研究目的:利用红细胞参数建立数学模型筛查与诊断地中海贫血(thalassemia trait,TT),在小细胞低色素性贫血中鉴别α-TT、β-TT与缺铁性贫血(iron deficiency anemia,IDA)。方法:回顾性收集2019年01月至2020年12月北京大学深圳医院地贫筛查人群的八项红细胞参数:RBC、HGB、HCT、MCV、MCH、MCHC、RDW-SD、RDW-CV;根据地贫基因结果,分为TT组与对照组,比较两组间的红细胞差异;分析地贫的基因型分布及不同分型间的红细胞差异;比较红细胞单个参数诊断地中海贫血的效能;利用logistic回归建立新公式及在Dx AI智慧科研平台建立AI模型筛查地中海贫血、鉴别α-TT与β-TT。追踪2021年01月-12月北京大学深圳医院地贫筛查人群作为外部验证集,用于验证新建公式及AI模型的效能。选取小细胞低色素性贫血中的α-TT、β-TT及IDA人群,分析不同组间的红细胞差异,通过logistic回归建立新公式及在Dx AI智慧科研平台建立AI模型进行鉴别诊断,与国外13个公式比较诊断效能,并进行外部验证。结果:本次研究人群3150例,其中TT组有1545人,对照组1605人。红细胞八项参数除HCT外的参数,在TT组与对照组间均有统计学差异。红细胞单项参数诊断效能最高是MCV,AUC为0.922。通过logistic回归新建公式BDS=0.401*RBC+1.969*MCV-6.468*MCH-0.314*RDW-SD+0.468*RDW-CV+0.49*MCHC-144.635对诊断地中海贫血有较高的效能,AUC为0.953,约登指数0.745,灵敏度、特异度、阳性似然比、阴性似然比分别为0.895、0.850、0.852、0.894,cut-off值为-0.50。利用Dx AI智慧科研平台使用四种机器学习法建立四个AI模型用于诊断地贫,其中基于支持向量机学习法(SVM)的Model-4诊断效能最优,AUC为0.970,准确度0.913,灵敏度0.891,特异度0.935。建立AI模型BDA用于鉴别诊断α-TT与β-TT,模型BDA在训练集的AUC为0.936,灵敏度0.939,准确度0.874;在验证集中AUC为0.906,灵敏度0.910,准确度0.843,能较好地将α-TT与β-TT区分开,有较高的临床价值。在β-TT与IDA的鉴别诊断中,本文新建公式BDZ=8.059*HCT-8.744*RBC-0.185*MCV-2.279*HGB-1.501*RDW-SD+1.96*RDW-CV+0.875*MCHC-221.376的诊断效能高于国外的13个公式,AUC为0.992,约登指数0.917,灵敏度、特异度、阳性似然比、阴性似然比分别为0.958、0.959、0.957、0.959,cut-off值为0.157。新建AI模型BDB能较好地鉴别诊断α-TT、β-TT及IDA。模型BDB的AUC为0.993,准确度0.938,灵敏度0.935,特异度0.969。结论:红细胞参数中除HCT外,其余参数在TT组与对照间均存在统计学差异。以单项参数筛查地中海贫血时,MCV的AUC最高。新建公式BDS及Model-4对诊断地中海贫血具有较高的应用价值。AI模型BDA能较好地将α-TT与β-TT区分开。新建公式BDZ对鉴别诊断β-TT与IDA有较高得诊断价值;AI模型BDB对鉴别诊断α-TT、β-TT与IDA诊断效能较好。