《Respiratory Medicine》：Long COVID as an Independent Predictor of Myasthenia Gravis Exacerbation: A Prospective Cohort Study Integrating Machine Learning for Risk Stratification
编辑推荐：
本研究评估Long COVID对重症肌无力（MG）患者加重的长期影响，采用机器学习（随机森林模型）预测风险，发现Long COVID是MG加重的独立危险因素（HR=2.55），模型AUC达0.83，为临床风险分层提供工具。
颜莉|陶一敏|赵志兰|裴忠|钟丽燕|杨慧|余明杰|刘思思|雷开伟|赵琼|王瑞|王俊|曾启兵|匡世祥|李婷
澳门科技大学中医药学院及中医药质量研究国家重点实验室，中国澳门
摘要
目的
本研究评估了长新冠（Long COVID）对重症肌无力（MG）患者病情加重的影响，并利用机器学习（ML）方法识别高风险患者。
方法
2022年12月5日至2023年1月20日期间，在贵州中医药大学第二附属医院招募了同时患有MG和COVID-19的患者（ChiCTR2400087937）。参与者在COVID-19感染后1个月、6个月和12个月接受了结构化访谈，以评估长新冠的发生情况和MG病情的加重情况。主要结果是MG病情加重的发生率和严重程度；次要结果是12个月的死亡率。采用Cox比例风险回归分析探讨长新冠与MG病情加重之间的相关性，并使用ML算法进行预测建模。
结果
在180名患者中，有62名（34.4%）在12个月内出现MG病情加重，其中严重加重（MG-ADL评分≥6分）占病例的43.5%。在初次出现MG病情加重的患者中，14.4%在12个月随访时仍持续出现症状且未完全恢复。共有6例患者死亡（3.3%）。长新冠是病情加重的最强预测因素（aHR = 2.55，95% CI 1.47–4.42，P = 0.001），其次是乙酰胆碱酯酶（AChE）抑制剂的使用（aHR = 2.38）和COVID-19重症分类（aHR = 2.30）。随机森林模型（RF）的表现优于其他算法，AUC为0.83，长新冠是最佳预测特征。
结论
长新冠与MG病情的长期加重有关。随机森林模型显示出作为MG病情加重风险分层工具的潜力。
引言
长新冠（Long COVID），也称为“COVID-19感染的后期后遗症”，是一种复杂的疾病，具有超过200种已知症状，并涉及多个器官系统[1][2][3]。据估计，大约10%的COVID-19感染者（全球至少6500万人）患有长新冠[4][5]。
重症肌无力（MG）是一种影响神经肌肉接头后膜的获得性自身免疫疾病。
研究设计与研究对象
这项前瞻性队列研究于2022年12月5日至2023年1月20日期间在中国贵州中医药大学第二附属医院招募了同时患有MG和COVID-19的患者。研究旨在评估12个月随访期间MG病情加重的发生率和严重程度、12个月的死亡率以及长新冠与MG病情加重之间的相关性。符合条件的参与者包括确诊为MG的成人[18][19]，并且实验室检测结果确诊。
与MG病情加重相关的人口统计学和临床风险特征
在205名自我报告感染COVID-19的MG患者中，有8人被排除（COVID-19诊断不明确4人；拒绝参与3人；基线调查不完整1人），基线时共有197名符合条件的参与者。在随访期间，有17名参与者在 different 时间点失访。最终共有180名参与者完成了12个月的评估并纳入最终分析（图1）。在队列中，62名患者（34.4%）在12个月随访期间出现了MG病情加重。
讨论
历史上，10-20%的MG患者会因感染而出现病情加重[31][32]。尽管COVID-19大流行已在全球范围内蔓延，但该病毒对MG患者的长期影响尚未得到充分研究。本研究将长新冠确定为MG患者病情加重的关键独立风险因素，并识别出疾病进展的关键临床和免疫学预测因素。
结论
本研究确定长新冠是MG病情加重的独立风险因素，具有持续的影响，并强调了ML模型在预测COVID-19感染后MG患者临床恶化的作用。这些发现强调了优先控制长新冠的必要性，为更好地理解长新冠对MG病情加重的影响、早期识别高风险人群以及制定有效干预措施提供了科学依据。
作者贡献声明
陶一敏：撰写初稿、可视化展示、数据验证、方法论设计、数据整理、概念构思。
王瑞：数据调查、正式分析、数据整理。
王俊：撰写修订稿、数据验证、软件使用。
颜莉：撰写初稿、方法论设计、数据调查、资金申请、正式分析、数据整理、概念构思。
雷开伟：数据调查。
赵琼：数据整理。
余明杰：数据整理。
数据可用性声明
出于对患者隐私的考虑，数据共享仅限于学术研究用途。仅提供汇总的研究数据。发表后，研究人员可通过电子邮件向通讯作者提交正式申请（包括拟定的分析计划）以获取数据。获批的申请者必须在接收数据前签署数据访问协议。
伦理声明
本研究方案已获得贵州中医药大学第二附属医院伦理委员会的批准（批准编号：KWY-2022037）。本研究遵守了相关的法律和机构规定。所有参与者在参与研究前均签署了书面知情同意书。
利益冲突
作者声明没有利益冲突。
资助
本研究得到了澳门科学技术发展基金（资助编号：0058/2020/A, 0018/2023/AMJ, 0043/2024/AGJ）、国家自然科学基金（资助编号：82260884）以及贵州中医药大学第二附属医院青年科研人才项目的支持。
利益冲突声明
作者声明没有已知的可能影响本文工作的财务利益或个人关系。
致谢
研究者感谢所有研究参与者、现场工作人员以及参与研究的所有人员。同时感谢澳门科学技术发展基金（资助编号：0058/2020/A, 0018/2023/AMJ, 0043/2024/AGJ）、国家自然科学基金（资助编号：82260884）以及贵州中医药大学第二附属医院青年科研人才项目提供的财政支持。
