美国研究人员开发了一种基于人工智能（AI）的算法，以帮助医生决定哪些类型的遗传检测最适合疑似患有罕见儿科疾病的儿童。科学家们认为，他们的算法被称为Phen2Test，将有助于加速患有罕见遗传条件（如芳香族L-氨基酸脱羧酶（AADC）缺乏症）的儿童的诊断过程。
患者患有罕见疾病通常会经历长时间的诊断延迟，研究团队写道，“订购适当的遗传测试至关重要但具有挑战性，尤其是对于没有遗传学专业知识的一般儿科医生。”新的人工智能算法“取得了显著的表现”，研究人员认为，“与遗传专家的决策非常一致”，表明其潜在价值在于通过增强遗传测试订购来加快罕见疾病的诊断，特别是对于一般儿科医生。
这项研究题为《表型驱动的分子遗传测试建议用于诊断儿科罕见疾病》，已发表在《npj数字医学》杂志上。
AI算法比较不同检测方法的成本
AADC缺乏症是一种极其罕见的遗传病，由_DDC_基因突变引起。患者会出现一系列神经症状，包括发育迟缓、运动障碍和行为挑战。诊断像AADC缺乏症这样的罕见疾病具有挑战性，因为许多医生可能不熟悉这些疾病的迹象和症状。然而，诊断延迟和误诊意味着患者可能需要更长时间才能接受可能挽救生命的治疗。
遗传检测是诊断这些罕见遗传疾病最确切的方法。根据个人的临床表现，医生可能会测试与特定疾病相关的特定基因，或进行基因面板检测，以查看可能与患者症状相关的多个基因。可以筛查人体所有基因的遗传检测策略也已可用，包括全外显子组测序（ES）和全基因组测序（GS）。但是，这种检测运行成本高昂。ES和GS都提供了高诊断率，但结果分析耗时且成本高昂，因此通常在较小的基因面板检测结果不确定时才使用。
然而，一些新的指南建议，直接使用ES或GS作为一线检测方法实际上可能更高效且更具成本效益，尤其是在患者症状不具体（如发育迟缓或先天异常）且遗传基础难以缩小的情况下。“决定是否使用ES/GS或基因面板作为首次检测正成为临床上一个关键且复杂的个案决策，特别是在强烈怀疑疾病有遗传基础的情况下，”研究人员写道。他们指出，这对于没有专门遗传学培训的儿科医生来说尤其具有挑战性。
研究人员开发Phen2Test的目标是制定一种策略，帮助一般儿科医生更容易地做出检测决策，从而加快罕见疾病患者的诊断过程。简而言之，他们的算法通过分析患者的医疗记录中的特征，预测经验丰富的遗传专家是否会跳过较小的基因面板而直接进行ES或GS检测。
仍需前瞻性研究验证模型在临床环境中的效果
科学家们采用了一种称为机器学习的人工智能方法来开发该模型，其中算法通过分析大量数据来识别模式并做出预测。在这种情况下，算法是在纽约哥伦比亚大学欧文医学中心接受遗传学家诊治的19岁以下患者的1000多份电子健康记录上训练的。该模型考虑了诊断计费代码和人口统计信息，研究人员认为，该模型在选择正确的诊断测试方面非常准确，表现类似于遗传专家。研究团队还指出，该模型的准确性显著高于不经常订购遗传检测的一般儿科医生。
科学家们随后在不同的患者群体中验证了他们的发现，确定该模型保持了其预测能力。这项回顾性研究开发并验证了一种准确的方法，可帮助对遗传测试知之甚少的临床医生识别诊断罕见儿科疾病所需的合适分子遗传测试。
最后，研究团队进行了成本效益分析，以了解使用Phen2Test相对于其他临床决策方法的成本效益。与医生订购靶向基因面板并在结果为阴性时逐步进行ES/GS的临床方法相比，分析估计，使用Phen2Test直接选择遗传检测策略每名患者可节省536美元。“与医生直接订购ES/GS的策略相比，预计每名患者的检测成本节省236美元。”
总体而言，“这项回顾性研究开发并验证了一种准确的方法，可帮助对遗传测试知之甚少的临床医生识别诊断罕见儿科疾病所需的合适分子遗传测试，”研究人员写道。研究团队指出，在系统能够在常规临床护理中使用之前，还有一些问题需要解决。例如，该模型是使用资源丰富的学术中心的数据训练的。因此，当应用于农村地区等资源较少的医疗系统时，该模型的通用性可能有限，因为在这些地区ES/GS的使用并不广泛。“有必要进行更多研究，以前瞻性地测试这种方法在临床环境中的有效性及其在不同医疗系统中的通用性，”研究团队总结道。
(全文结束)
