数据收集与队列构建
收集多中心患者数据，确定PA诊断状态，以用于模型开发和验证。
从SPISCA和PROSALDO两个队列共纳入1380名患者，根据确认试验（如坐位盐水抑制试验）和手术结果（PASO/HISTALDO标准）确定PA诊断。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于血浆类固醇、钾和肾素的机器学习筛选原发性醛固酮增多症
Advanced machine learning-based screening for primary aldosteronism with plasma steroids, potassium, and renin
实验完整度
高该研究包括多个独立患者队列的前瞻性数据，涉及体内临床检测、机器学习模型开发与外部验证，并进行了与常规筛查方法（ARR）的对比分析。
主要模型
SPISCA队列患者样本 PROSALDO队列患者样本
重点核对
患者队列：SPISCA、PROSALDO第一、二阶段，共1380例；PA与非PA的判定标准。 血浆类固醇测量：LC-MS/MS方法测定的13种类固醇。 特征选择：SelectKBest、SelectFromModel、RFE，以及标准化、Min-max、Robust、Quantile等归一化方法。 模型训练：六种ML算法，超参数经贝叶斯优化和五折交叉验证。 性能评估：AUC、平衡准确率等指标，并进行外部验证和与ARR的比较。
摘要
常用的原发性醛固酮增多症（PA）筛查试验的诊断准确性欠佳，尤其是在使用降压药物的情况下。本研究利用三个数据集共1380例伴有和不伴有PA的患者，开发了基于血浆类固醇、钾和肾素的机器学习筛查模型。包含类固醇和钾的前馈神经网络（FNN）模型较不含钾的模型提高了诊断准确性。加入肾素对准确性的提高可忽略不计。FNN和其他不依赖肾素的模型在停用降压药前后表现出相似的准确性，而依赖肾素的模型在未停用降压药时准确性较差。三个进一步优化的不依赖肾素的模型在筛查方面的表现优于醛固酮与肾素比值（ARR），受试者工作特征曲线下面积（AUC）为0.948–0.954，而ARR为0.839。这些模型最大限度地减少了停用降压药的需要，并且在保证90–95%诊断敏感性最佳切点下，将假阳性率降低了53–72%，从而比使用ARR更有效地筛查PA。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 基于血浆类固醇、钾和肾素的机器学习模型能否提高原发性醛固酮增多症筛查的诊断准确性，并减少对降压药洗脱的需求？
- 核心机制
- 机器学习模型通过识别血浆类固醇（尤其是醛固酮和18-氧皮质醇）、钾和肾素的复杂模式，实现对原发性醛固酮增多症的筛查。
- 主要证据
- 基于SPISCA和PROSALDO队列共1380例患者的数据，外部验证显示不依赖肾素的FNN、MLP和SVM模型的AUC为0.952–0.957，显著优于ARR（0.839）。
- 研究意义
- 这些模型提高了筛查准确性，减少了假阳性，并可能减少对抗高血压药物洗脱的需求，有望改善原发性醛固酮增多症的临床筛查。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
数据预处理与特征选择
调整混杂因素，选择相关特征，为模型训练准备数据。
对类固醇测量值进行年龄性别调整，尝试多种归一化方法（标准、稳健、最小-最大、分位数），并使用SelectKBest、SelectFromModel、RFE等方法选择特征。
机器学习模型训练与验证
开发并优化用于PA筛查的机器学习模型，并进行内部和外部验证。
使用六种算法（SVM、FNN、MLP、LR、RF、GNB）训练模型，基于类固醇单独或联合钾、肾素。采用贝叶斯优化进行超参数调整，五折交叉验证，并进行内部测试和外部验证。
评估降压药物影响
评估抗高血压药物洗脱对模型性能的影响，以确定最适合临床应用且无需洗脱的模型。
分析200例患者在药物洗脱前后数据，比较依赖肾素和不依赖肾素的模型在洗脱前后的AUC差异。
与ARR对比及临床转化分析
比较最优机器学习模型与传统醛固酮肾素比在筛查PA中的诊断性能。
比较最优的六个ML模型（三个不依赖肾素、三个依赖肾素）与ARR的AUC、敏感性、特异性、假阳性率、灰区和预测概率。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 类固醇测量 | 液相色谱-串联质谱仪 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者队列和数据收集 | 患者纳入标准、PA诊断标准、样本采集时间及位置 阅读提示：Methods: Patient datasets and recruitment |
| 类固醇测量 | LC-MS/MS方法来测量类固醇的准确性 阅读提示：Methods: Steroid profiles |
| 模型开发 | 数据预处理、特征选择方法、归一化方法、模型算法、超参数优化及交叉验证策略 阅读提示：Methods: Model development |
| 模型评估 | 外部验证数据集、AUC、优化敏感性等 阅读提示：Methods: Statistical analysis |