文章介紹
全身性紅斑狼瘡（SLE）是一種慢性自體免疫疾病，患者因免疫系統失調而容易出現各種感染，其中需要住院治療的嚴重感染更與較高的死亡率及醫療費用密切相關。現有的感染風險評估主要依賴臨床經驗與傳統統計模型，往往難以捕捉多種風險因子之間複雜的非線性交互關係，預測準確性有限，因此需要更先進的預測工具來協助早期辨識高風險患者。
研究團隊回溯性分析台中榮民總醫院 2012 至 2023 年間 18,331 名 SLE 門診病患的臨床資料，包含人口學資訊、檢驗數值及用藥紀錄。研究以 Lasso 迴歸從 70 項臨床變數中篩選出 15 項關鍵預測因子，並訓練包含 XGBoost、隨機森林等五種機器學習模型，採 80/20 比例進行內部驗證，並以 2023 年資料進行時序驗證，以 AUROC、敏感度、特異度及陰性預測值（NPV）評估模型效能。
XGBoost 模型在測試組達到 AUROC 88%，時序驗證組為 84%，特異度 85%，NPV 高達 98%，表現優於其他模型。研究利用 SHAP（Shapley Additive exPlanations）值解釋模型預測，發現類固醇使用量、最低血色素值及最高白血球數為最重要的預測因子，其次為共病指數與年齡。此模型高 NPV 的特性使其更適合作為排除低風險患者的輔助工具，而非獨立診斷依據，未來仍需多中心前瞻性研究加以驗證。
在不影響臨床透明度的前提下，將可解釋人工智慧導入複雜疾病的感染風險預測，是當前醫療 AI 研究的重要方向；這類研究不僅提升了預測準確性，更有助於臨床醫師理解模型的決策依據，是兼具實用性與學術價值的研究切入點。
在不影響隱私的條件下進行數據整合，一直是許多領域存在的問題。在有興趣的專業領域，找出未被滿足的需求，是非常好的論文切入點，甚至還能發表在不錯的期刊上。
恭喜黃醫師！
論文的 discussion，可以放心交給 AI 寫嗎？來看看講師的建議。
