中国发表 | 突破红皮病型银屑病严重程度评估困境——AI驱动EPICS模型重磅发布

研究背景与挑战

EP临床表现复杂，常合并发热、淋巴结肿大、低蛋白血症等并发症，若诊治不及时易导致高发病率和死亡率。然而传统银屑病评估工具（如PASI、BSA）在EP患者中易达天花板效应，无法有效区分轻中度与重度病例。2018年推出的红皮病型银屑病严重程度评估系统（EPSA）仅关注全身症状，缺乏对皮肤表现和实验室指标的综合考量，且未解决多因素间的复杂关联问题。同时，EP的临床指标（如白蛋白、血钙、中性粒细胞淋巴细胞比等）存在显著相关性和非线性关系，传统统计模型难以精准捕捉这些复杂关联，亟需更先进的分析方法突破瓶颈。

研究核心方法

本研究为2005–2022年北京协和医院回顾性队列研究，纳入经组织学确诊或依据临床表现和病史诊断的EP患者，模型采用多重插补法填补缺失数据，通过K-means聚类将患者分为轻度组和中重度组。训练七种机器学习算法（K近邻、人工神经网络、随机森林、极端梯度提升、逻辑回归、朴素贝叶斯、支持向量机），采用3次重复的分层10折交叉验证评估性能，以ROC曲线下面积（AUC）为核心指标。通过SHAP值分析量化各特征贡献，筛选出10个关键预测指标，转化为整数评分构建EPICS模型，利用约登指数确定最优诊断阈值，并与2018-EPSA模型在预测系统治疗需求和住院时长方面进行效能对比。

主要研究结果

● 研究纳入242例符合标准的EP患者（男性73.5%，中位年龄48.05岁），其中108例经组织学确诊，其余依据临床表现和病史诊断，模型采用多重插补法填补缺失数据，通过K-means聚类将患者分为轻度组（n=148例）和中重度组（n=94例）

● 模型性能卓越：在7种算法中，人工神经网络（ANN）表现最优，验证集平均AUC达0.995，显著优于随机森林（0.980）、逻辑回归（0.972）等其他模型，展现出极强的泛化能力和稳定性。

● 10项关键评估指标：水肿、水肿性红斑（皮肤红肿复合表现）、发热、白蛋白水平、中性粒细胞淋巴细胞比（NLR）、血清钙水平、渗出、瘙痒程度、浅表淋巴结肿大及Charlson合并症指数，全面反映疾病的炎症负担、皮肤受累程度和患者基础健康状况。

● 诊断阈值明确：ROC曲线分析确定33.5分为轻度与中重度EP的最优区分阈值，总分范围0–100分，得分越高提示病情越重。

● 优于传统评估工具：与2018-EPSA相比，EPICS在预测系统治疗需求方面表现更优（校正后AUC：0.635 vs 0.581），且与住院时长显著相关（中重度组中位住院26天 vs 轻度组20天，p=0.009），而2018-EPSA与住院时长无显著关联（p=0.11）。

● 临床特征差异显著：中重度EP患者NLR中位数4.11（vs轻度组2.70，p<0.001）、发热发生率88%（vs轻度组41%，p<0.001）、重度水肿占比16%（vs轻度组1.4%，p<0.001），且系统治疗需求为轻度组的2.21倍（p<0.05）。

临床应用价值

● 标准化评估流程：EPICS整合易获取的临床和实验室指标，通过量化评分实现EP严重程度的客观分类，减少主观评估差异。

● 指导治疗决策：中重度患者（评分>33.5分）可及时启动系统性治疗或生物制剂治疗，避免治疗延误。

● 优化资源分配：帮助临床医生将监护床位、强化护理等有限资源优先分配给高需求患者，提升医疗效率。

● 便捷可及性：该模型已开发为网页版（https://pumch-dermatology.shinyapps.io/classification/），便于临床实时应用。

研究局限与展望