초록 배경 장 구조화 및 침투 합병증은 크론병(CD)에서 불리한 결과의 주요 원인이며, 환자의 절반 이상이 장기 추적 관찰 중 이러한 합병증 중 하나 이상을 개발한다. 그러나 기존의 임상 도구는 행동 진행 예측에 한정된 능력을 보이며, 신뢰할 수 있는 조기 경고 마커는 여전히 불분명하다. 본 연구는 쉽게 접근할 수 있는 임상 특성과 종단적 혈액 검사 데이터를 통합하여 만성 CD의 질병-행동 전환을 예측하는 AI 기반 다중 모달 모델을 개발하는 것을 목표로 하였다. 방법 우리는 2015-2025 기간 동안 5년 이상의 지속적인 추적 관찰을 받은 CD 환자를 후향적으로 포함하였다. 총 36개의 임상 변인과 50개의 혈액 검사 특징(24개 혈액 일반, 24개 생화학 탐지 및 2개 염증 마커)을 수집하였다. 전처리 후, 289명의 적격 환자가 모델 개발에 사용되었다. 우리는 고전적인 기계 학습 알고리즘(로지스틱 회귀, 랜덤 포레스트, XGBoost, LightGBM, CatBoost, 나이브 베이즈)의 성능을 비교하고, 재구성 손실, KL 발산 및 분류 손실을 공동으로 최적화한 변분 오토인코더(VAE) 기반의 심층 학습 모델을 추가 개발하여 압축된 잠재 환자 표현을 학습하였다. 모델 해석 가능성은 SHAP 값을 이용해 평가하였다. 외부 검증은 두 개의 독립 데이터셋을 사용하여 수행되었다. 결과 289명의 환자 중 162명이 기준선에서 몬트리올 B1으로 분류되었고(91명이 추적 관찰 중 B1 유지, 71명이 전환), 127명이 기준선에서 B2로 분류되었다(58명이 안정적, 69명이 전환). 임상 및 혈액 검사 특징을 결합한 모델은 단일 특징 집합만 사용하는 모델보다 일관되게 더 나은 성능을 보였다. AI 기반 VAE는 최고의 예측 성능을 달성하였다(B1 기준선 예측: AUC: 0.8690; Acc: 0.8438; Sn: 0.8571; Sp: 0.8333; PPV: 0.8000; NPV: 0.8824; MCC: 0.6900; F1 점수: 0.8276; B2 기준선 예측: AUC: 0.8512; Acc: 0.8077; Sn: 0.9286; Sp: 0.6667; PPV: 0.7647; NPV: 0.8889; MCC: 0.6000; F1 점수: 0.8387). SHAP 분석은 생물학적 치료 노출, 전신 염증 지표 및 질병 활동 지수가 모델 예측에 가장 강한 기여를 함을 보여주었다. 성능은 두 외부 검증 집단에서 일관되게 유지되었다. 결론 우리는 일상적인 임상 및 혈액 검사 데이터를 사용하여 임상 전환보다 최대 1년 전 크론병 행동 진행을 정확하게 예측할 수 있는 AI 기반 다중 모달 모델을 개발하였다. 이 접근법은 조기 위험 식별, 능동적인 치료 조정 및 만성 CD 환자의 개인화된 질병 관리를 지원할 수 있다. 이해 상충: Dai, Hanqiao: 이해 상충 없음; Zhang, Zhe: 이해 상충 없음; Wan, Zhaoman: 이해 상충 없음; Bai, Xiaoyin: 이해 상충 없음; Zhang, Peng: 이해 상충 없음; Yang, Hong: 이해 상충 없음.
Dai 외 (Thu,)는 이 질문을 연구했습니다.