本技術涉及醫(yī)療診斷領域，更具體地說，它涉及一種基于臨床數(shù)據(jù)和數(shù)學建模技術的神經梅毒風險預測模型及模型的構建方法與應用。

背景技術：

1、神經梅毒(neurosyphilis,ns)是一種由梅毒螺旋體(treponema?pallidum,tp)感染引起的中樞神經系統(tǒng)并發(fā)癥，可能發(fā)生在梅毒感染的任何階段，其病程較為復雜。根據(jù)臨床表現(xiàn)和病理學特征，神經梅毒可分為無癥狀型、癥狀型和遲發(fā)型。無癥狀型患者通常無明顯神經系統(tǒng)癥狀，僅通過腦脊液檢查確診；癥狀型則表現(xiàn)為腦膜炎、腦血管炎或脊髓損害等多樣化神經病變；遲發(fā)型神經梅毒通常發(fā)生于感染10年以上，病情更為嚴重，常伴隨不可逆的神經損害。這些多樣化的表現(xiàn)使神經梅毒成為臨床診斷中的一大挑戰(zhàn)。

2、目前，神經梅毒的確診依賴于腦脊液檢查，尤其是腦脊液中的白細胞計數(shù)和蛋白水平異常。特異性檢測如梅毒抗體(anti-tp)陽性，非特異性檢測如trust滴度等也是重要參考指標。然而，這些方法均需通過腰椎穿刺獲得樣本，而腰穿作為一種有創(chuàng)性操作，不僅存在潛在風險，還會導致部分患者的心理負擔。此外，不同患者的腦脊液檢測結果存在較大差異，導致診斷的敏感性和特異性無法完全滿足臨床需求。

3、神經梅毒的臨床表現(xiàn)復雜多樣，與感染時間、部位和治療情況密切相關。部分患者可能僅表現(xiàn)為頭痛、惡心等輕微癥狀，而另一些患者則可能出現(xiàn)腦血管炎引發(fā)的缺血性卒中、共濟失調或精神障礙。這些癥狀與多種中樞神經系統(tǒng)疾病(如腦炎、腦卒中、阿爾茨海默病等)有較大重疊，使得神經梅毒容易被誤診或漏診。同時，由于癥狀進展緩慢，許多患者直到出現(xiàn)嚴重并發(fā)癥后才被確診，錯失了早期干預的最佳時機。

4、流行病學研究顯示，神經梅毒的發(fā)生率在不同人群中存在顯著差異。hiv陽性患者由于免疫功能受損，其神經梅毒發(fā)生率顯著升高，且病情往往更為復雜。此外，老年患者由于免疫系統(tǒng)功能的下降，也更易發(fā)生中樞神經系統(tǒng)感染。在我國東部沿海地區(qū)，神經梅毒的病例數(shù)相對較高，可能與該地區(qū)的梅毒流行率相關。

5、目前，神經梅毒診斷技術仍存在諸多不足。一方面，傳統(tǒng)的診斷方法以腦脊液檢測為主，缺乏基于血清學、影像學和臨床表現(xiàn)的非侵入性診斷工具；另一方面，現(xiàn)有研究往往集中于單一變量(如trust滴度或腦脊液白細胞水平)的分析，未能綜合多種臨床指標。盡管部分研究指出特定變量(如高trust滴度)與神經梅毒風險相關，但尚未形成標準化的風險預測模型。

6、近年來，機器學習技術在醫(yī)學診斷中的應用為神經梅毒風險預測提供了新的方向。通過整合多種臨床數(shù)據(jù)和統(tǒng)計分析方法，可以構建高效、精準的風險評估工具。例如，lasso回歸方法在高維數(shù)據(jù)中篩選關鍵變量，避免過擬合；邏輯回歸模型則可定量化預測患者的患病概率。同時，列線圖(nomogram)的可視化形式便于臨床醫(yī)生快速解讀風險評分，提高了實際操作的便利性。

7、因此，若能提出一種高效的神經梅毒檢測與預測模型，能夠優(yōu)化神經梅毒的臨床診斷流程，為神經梅毒的早期篩查和干預提供有力支持。

技術實現(xiàn)思路

1、本發(fā)明針對上述背景技術存在的不足，提出一種基于回顧性數(shù)據(jù)和多變量分析的神經梅毒風險預測模型，能夠高效地對患者進行風險評估，為臨床醫(yī)生提供決策支持。

2、為了實現(xiàn)上述目的，本技術采用了以下技術方案：

3、本發(fā)明公開了一種基于多變量分析的神經梅毒風險預測模型，旨在通過構建一套非侵入性的預測工具，快速量化患者罹患神經梅毒的風險概率。本技術方案通過篩選多個與神經梅毒顯著相關的臨床變量，結合機器學習和統(tǒng)計建模技術，完成模型構建與評估，最終實現(xiàn)臨床可操作的風險評估系統(tǒng)。

4、第一方面，本技術公開了一種基于臨床診斷變量的神經梅毒檢測與預測模型，該模型基于以下五個關鍵臨床變量構建：腦缺血或梗死、血清梅毒特異性抗體(anti-tp)、trust滴度、共濟失調及視力減退；通過對上述變量的數(shù)值分析，采用lasso回歸篩選變量及多因素邏輯回歸分析，構建列線圖形式的風險預測模型，用于計算患者的神經梅毒風險概率。

5、需要說明的是，模型的核心變量基于臨床實踐和統(tǒng)計分析結果篩選得出，所述危險因素包括腦缺血梗死、血清梅毒特異性抗體、血清trust滴度、共濟失調、視力減退。

6、本發(fā)明所述的“腦缺血梗死”，同“cerebral?ischemia?or?infarction”，是通過頭顱mri檢查確定的一種中樞神經系統(tǒng)損傷標志。該變量是神經梅毒患者中較為常見的影像學異常，與中樞神經系統(tǒng)感染和腦血管炎密切相關。梅毒螺旋體感染可引發(fā)腦膜血管炎，導致動脈內膜纖維增生、管腔狹窄、血流減少，進而造成腦供血不足和缺血性病灶。該變量在神經梅毒患者中具有較高的檢出率，是評估患者中樞神經系統(tǒng)受累的重要指標。

7、本發(fā)明所述的血清梅毒特異性抗體，同“serum?anti-tp(s/co)”，是梅毒感染的特異性血清學標志，能夠提示梅毒感染狀態(tài)。雖然其終身陽性可能干擾部分患者的動態(tài)評估，但其數(shù)值變化仍然為判斷中樞神經系統(tǒng)受累的重要參考。anti-tp作為特異性強的指標，為神經梅毒風險評估提供了基礎支持。

8、本發(fā)明所述的“血清trust滴度”，同“serum?trust?titer”，即甲苯胺紅不加熱血清試驗，是一種檢測梅毒活動性的非特異性抗體測試，結果以滴度形式表示，通過滴度值反映疾病的活動性和感染程度。在神經梅毒風險評估中，trust滴度是衡量患者疾病活動性的重要參數(shù)，能夠顯著提高模型的預測能力。

9、本發(fā)明所述的“共濟失調”，同“ataxia”，是一種神經系統(tǒng)異常表現(xiàn)，包括行走不穩(wěn)、構音障礙、肢體乏力、頭暈等。在神經梅毒中，小腦或脊髓的損害常引起共濟失調，表現(xiàn)為動作不協(xié)調或平衡能力受損。這種癥狀可能逐漸加重，嚴重時影響患者的日?；顒?。共濟失調的表現(xiàn)多樣化，部分患者可能僅表現(xiàn)為輕微的不穩(wěn)步態(tài)，而另一些患者則伴隨顯著的頭暈和肢體無力。共濟失調的存在通常提示神經系統(tǒng)的深度受累，是評估神經梅毒的重要臨床特征。

10、本發(fā)明所述的“視力減退”，同“decreased?vision”，是指患者視力模糊、視野縮小甚至失明，通常與視神經受損相關。神經梅毒患者中，視力減退是一種常見的神經系統(tǒng)表現(xiàn)，通常由視神經炎或腦血管病變引起。患者可能描述視物模糊、暗影遮擋或視野缺損，嚴重時可導致單側或雙側視力喪失。視力減退不僅影響患者生活質量，還可能提示神經梅毒的進展。早期識別和干預對改善患者預后至關重要。

11、進一步，本發(fā)明通過列線圖形式展示所述預測模型，模型包含五項關鍵危險因素：腦缺血梗死、血清梅毒特異性抗體、trust滴度、共濟失調以及視力減退。

12、進一步，所述預測模型通過累加各變量的單項得分，生成患者的總風險評分，并依據(jù)總分預測其罹患神經梅毒的風險概率。

13、優(yōu)選地，當神經梅毒風險預測總分小于42時，患者被評估為低風險；

14、優(yōu)選地，當總分大于46時，患者被評估為高風險；

15、優(yōu)選地，對于總分介于42至46之間的患者，其風險等級無法明確判斷，需結合其他臨床因素或進一步檢查進行綜合評估。

16、第二方面，本技術提供上述模型的構建方法，包括以下步驟：

17、步驟1：收集梅毒感染患者，篩選出血清anti-tp和trust雙陽性的患者納入研究，采集臨床診斷變量數(shù)據(jù)；

18、步驟2：將患者按比例隨機分為訓練集和測試集，所述訓練集用于模型開發(fā)，所述驗證集用于評估模型的區(qū)分能力、預測一致性及臨床實用性；

19、步驟3：對訓練集中的臨床診斷變量數(shù)據(jù)進行單因素分析和lasso回歸篩選，確定與神經梅毒顯著相關的關鍵變量；

20、步驟4：使用多因素邏輯回歸模型對篩選出的關鍵變量進行建模，計算每個變量的回歸系數(shù)，生成風險預測模型；

21、步驟5：模型驗證。

22、優(yōu)選地，所述構建方法，具有以下至少一項特征：

23、步驟1中，臨床診斷變量數(shù)據(jù)包括年齡、性別、trust滴度、anti-tp、腦缺血梗死(mri)、共濟失調、視力減退、血壓、血糖、聽力減退、暈厥、頭痛以及中風病史；

24、步驟2中，將患者按比例8:2隨機分為訓練集和測試集；

25、步驟3中，篩選得到的關鍵變量包括腦缺血梗死、anti-tp、trust滴度、共濟失調以及視力減退；

26、步驟5的過程為：首先，使用受試者工作特征曲線(roc)評估模型的區(qū)分能力，分別計算訓練集和驗證集的曲線下面積(auc)；其次，通過校準曲線分析評估模型的預測值與實際觀察值的一致性；通過臨床決策曲線(dca)分析，評估模型在不同風險閾值下的凈收益。

27、所述模型的性能通過roc曲線評估，其中訓練集的auc為0.816，驗證集的auc為0.843。

28、第三方面，本技術提供一種用于構建上述模型的計算機設備，所述計算機設備包括存儲器和處理器，所述存儲器存儲有程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述的構建方法。

29、第四方面，本技術提供一種計算機可讀存儲介質，所述計算機可讀存儲介質包括存儲的計算機程序；

30、其中，在所述計算機程序運行時控制所述計算機可讀存儲介質實現(xiàn)上述的構建方法。

31、第五方面，本技術提供上述的模型和上述的構建方法在制備神經梅毒檢測與預測產品中的應用。

32、第六方面，本技術提供一種用于神經梅毒檢測與預測的系統(tǒng)，包括：

33、數(shù)據(jù)采集模塊，用于采集患者的臨床診斷變量數(shù)據(jù)；

34、數(shù)據(jù)處理模塊，用于將患者按比例隨機分為訓練集和測試集，對訓練集的臨床診斷變量數(shù)據(jù)進行單因素分析和lasso回歸篩選，確定與神經梅毒顯著相關的關鍵變量，使用多因素邏輯回歸模型對篩選出的關鍵變量進行建模，計算每個變量的回歸系數(shù)，生成風險預測模型，并在測試集內驗證；

35、風險預測模塊，用于根據(jù)患者總分進行風險分層，并輸出結果；

36、其中，總分小于42的患者為低風險；總分大于46的患者為高風險；總分在42至46之間的患者為中風險。

37、第七方面，本技術提供上述的模型和上述的構建方法的臨床應用方法，包括以下步驟：

38、a)收集患者的臨床數(shù)據(jù)，包括腦缺血或梗死、血清anti-tp、trust滴度、共濟失調及視力減退；

39、b)使用列線圖根據(jù)患者變量值計算總風險評分；

40、c)根據(jù)總分預測患者的神經梅毒發(fā)生概率并進行風險分層；

41、d)為中高風險患者提供進一步腦脊液檢查和治療建議。

42、本發(fā)明采用先進的機器學習算法與統(tǒng)計學方法構建神經梅毒風險預測模型，具體包括以下步驟：

43、a)變量篩選。通過單因素邏輯回歸分析，篩選出與神經梅毒顯著相關的變量。為避免模型過擬合和冗余，進一步使用lasso回歸篩選關鍵變量，最終確定腦缺血梗死、anti-tp、trust滴度、共濟失調及視力減退五個核心變量。

44、b)多因素邏輯回歸建模。將篩選出的五個關鍵變量引入多因素邏輯回歸模型，通過計算變量回歸系數(shù)，量化各變量對神經梅毒風險的貢獻，形成完整的數(shù)學模型?；谶壿嫽貧w模型，生成直觀的列線圖工具。

45、c)列線圖構建。列線圖通過各變量的風險權重評分累加，快速計算患者的總風險分數(shù)，并預測其神經梅毒發(fā)生的概率。

46、d)模型性能驗證。通過roc曲線分析評估模型區(qū)分能力，auc值反映模型預測的準確性。使用校準曲線驗證模型預測值與實際觀察值的一致性，通過臨床決策曲線(dca)評估模型在不同閾值下的凈收益，從而確保模型的實用性和可靠性。

47、e)臨床應用。本發(fā)明的模型無需進行有創(chuàng)性操作即可實現(xiàn)神經梅毒的風險評估。低風險患者可避免不必要的腦脊液檢查，高風險患者可獲得進一步確診和及時干預。

48、由于采用以上技術方案，本技術的有益效果在于：

49、本發(fā)明整合了影像學、血清學和神經系統(tǒng)癥狀學的多維度信息，采用機器學習算法優(yōu)化變量選擇，構建了一種非侵入性、精準高效的神經梅毒風險預測模型。通過列線圖實現(xiàn)模型的可視化操作，為臨床醫(yī)生提供了一種易于使用且高度可靠的診斷支持工具。