使用多特征异常检测方法重新评估24小时pH阻抗检测结果中隐匿的胃食管反流病病例

摘要

胃食管反流病（GERD）的诊断传统上依赖于24小时多通道腔内阻抗-pH（MII-pH）监测所获得的酸暴露时间（AET），这是GERD诊断的金标准。然而，阴性结果（AET < 4%）并不总能排除GERD的可能性，因为有限的24小时监测窗口可能无法捕捉到间歇性或低频反流患者的反流事件。为了解决这一局限性，我们提出了一个基于机器学习的补充框架，专门针对MII-pH结果为阴性的患者（AET < 4%），通过整合pH信号的统计特征和波形特征来增强异常检测能力。该框架使用在真实世界MII-pH数据集上训练的一类支持向量机和支持向量数据描述模型，实现了约0.9的\({F}_{3}\)分数，并识别出传统AET标准未能检测到的潜在异常情况。利用Shapley加性解释的可解释AI技术表明，峰度（kurtosis）和峰峰值幅度（peak-to-peak amplitude）等特征对识别该群体中的微妙反流模式起到了重要作用。这些异常可能表明在AET阴性患者群体中存在需要进一步临床评估的候选者。这种补充方法在传统MII-pH诊断系统的基础上进行操作，有助于识别MII-pH结果为阴性的患者中的潜在假阴性病例，从而可能有助于他们的正确临床管理。