编辑推荐：
结核病（TB）防控形势严峻，加利福尼亚州疫情严重。为解决现有潜伏结核（LTBI）筛查效率低的问题，研究人员开发基于电子健康记录（EHR）的 TB 疾病临床风险预测模型。结果显示该模型提升了筛查灵敏度，优化了筛查效率，对改善 LTBI 筛查意义重大。
在健康医学领域，结核病（Tuberculosis，TB）一直是一个不容忽视的重大问题。由结核分枝杆菌（Mycobacterium tuberculosis，Mtb）引起的 TB 疾病，会导致大量的发病和死亡。美国加利福尼亚州的 TB 病例绝对数在全美居首，2023 年有 22% 的 TB 病例发生于此。而且，该州达到了 TB 发病率和病例数的最高阈值，是疾病预防控制的重点区域。
当前，美国国内的 TB 防控主要聚焦于对潜伏结核感染（Latent Tuberculosis Infection，LTBI）的筛查和治疗，以防止其进展为 TB 疾病。然而，加利福尼亚州的情况却不容乐观。此前，加利福尼亚州公共卫生部门（California Department of Public Health，CDPH）推荐根据一些风险因素对无症状成年人进行 LTBI 筛查，如在高 TB 发病率国家（High Tuberculosis Incidence Country，HTBIC）出生、旅行或居住超 1 个月、免疫抑制、与 TB 患者密切接触等。但这些指南在实施过程中存在诸多问题，比如很多风险因素在患者的电子健康记录（Electronic Health Record，EHR）中难以识别，医疗人员在有限的诊疗时间内也难以全面落实筛查工作。研究发现，实际筛查中常常遗漏高风险人群，高达 62% 的 TB 疾病患者从未接受过 LTBI 筛查，这表明现有筛查方式未能有效识别出那些最有可能进展为 TB 疾病的人群。
为了改善这种状况，来自美国凯撒永久南加州（Kaiser Permanente Southern California，KPSC）和凯撒永久北加州（Kaiser Permanente Northern California，KPNC）的研究人员展开了一项重要研究。他们旨在开发一种能够利用 EHR 信息的临床风险预测模型，以更精准地识别未来 10 年内患 TB 疾病风险最高的个体，进而提高 LTBI 筛查的效率。这项研究成果发表在《Nature Communications》上，为 TB 防控带来了新的希望。
在研究过程中，研究人员运用了多种关键技术方法。他们以 KPSC 和 KPNC 的成员为样本队列来源，选取年龄≥18 岁、在 2008 - 2019 年期间连续参保至少 24 个月的成员作为研究对象。通过 Cox 比例风险回归构建预测模型，并使用 Harrell’s C 统计量、时间依赖性精度（阳性预测值）和召回率（灵敏度）曲线下面积（time - varying AUPRC）、平均校准和校准斜率等指标评估模型性能。同时，为了考虑现有筛查和治疗实践对 TB 疾病预防的影响，还采用了模拟 TB 疾病结果的方法进行分析。
研究结果如下：
- 参与者情况：KPSC 队列用作开发和内部验证数据集，包含 4,032,619 人，其中 925 人在中位随访 4.6 年期间患上 TB 疾病（发病率为 4.1/100,000 人年）。KPNC 队列用作外部验证数据集，有 4,051,873 人，871 人在中位随访 6.9 年期间患病（发病率为 3.3/100,000 人年）。患病患者在种族、性别、年龄、BMI、合并症等方面具有一定特征。
- 模型开发、设定和性能：研究人员将预测因子按重要性分为 3 层构建模型。综合考虑模型性能和可解释性，最终选择仅包含第 1 层变量分类形式的模型。该模型在内部和外部数据集上验证显示，Harrell’s C 统计量分别为 0.829 和 0.858 。考虑现有筛查和治疗预防的 TB 疾病病例后，最终模型在 100 次模拟的假设结果中，KPSC 和 KPNC 的 Harrell’s C 中位数分别为 0.793（95% SI 0.770, 0.809）和 0.817（95% SI 0.805, 0.824）。
- 切点选择及与现有筛查比较：研究人员选择不同的 10 年风险切点，将最终预测模型与当前实际筛查和基于 EHR 的 CDPH 理想筛查进行比较。结果显示，在相同筛查比例下，模型筛查的灵敏度显著高于当前实际筛查。例如，在研究期间，KPSC 和 KPNC 实际筛查的灵敏度分别为 0.33（95% SI 0.27, 0.36）和 0.36（95% SI 0.34, 0.38），而模型筛查的灵敏度则分别提升至 0.64（95% SI 0.61 - 0.67）和 0.70（95% SI 0.68 - 0.71），同时需筛查人数（Number Needed to Screen，NNS）明显降低。
研究结论和讨论部分指出，新开发的 TB 风险预测模型相较于当前筛查策略，在筛查性能和效率上有显著提升。它能够利用 EHR 中易于获取的数据，确定高风险个体，从而更高效地分配筛查资源。虽然该模型在不同健康系统中的最佳筛查比例可能有所不同，但对于希望更精准、高效地开展 LTBI 筛查的医疗机构和医疗人员来说，无疑是一个极具价值的工具。
不过，研究也存在一些局限性。比如无法仅针对由 LTBI 进展而来的 TB 疾病病例进行研究，模拟的假设 TB 疾病结果也不够精确。未来研究可以开发更全面、严谨的模拟模型，以更深入地评估模型的有效性。总体而言，这项研究为 TB 防控提供了新的思路和方法，有望推动全球 TB 防控工作取得新的进展。
