基于机器学习的头痛疾病自动分类：使用患者自报问卷

DOI: https://doi.org/10.1038/s41598- 020- 70992- 1

摘要-总结 头痛疾病的分类依赖于患者的主观自报以及医生对其的解读。

我们旨在应用客观的数据驱动机器学习方法来分析患者自报症状，并测试头痛疾病自动分类的可行性。

共分析了2162名患者的自报数据。第一层分类偏头痛与其他类型，第二层分类紧张型头痛（TTH）与其他类型，第三层分类三叉自主神经性头痛（TAC）与其他类型，第四层分类颅表型头痛与雷击样头痛。

在测试队列中，我们的堆叠分类器对偏头痛、紧张型头痛、三叉自主神经性头痛、颅表型头痛和雷击样头痛分别获得了81%的准确率，88%、69%、65%、53%和51%的灵敏度，以及95%、55%、46%、48%和51%的特异度。

我们证明了基于机器学习的方法适用于分析患者自报问卷。

补充说明：第一层分类了最主要的亚型（即偏头痛）和其余类型（即非偏头痛）。

引言 头痛疾病的诊断高度依赖患者的自报以及临床医生对自报的解读。

《国际头痛疾病分类》（ICHD）的发布旨在辅助头痛疾病的标准化诊断 [51]。

此前已有研究尝试利用神经生理学检测 [52]、神经影像学 [53, 54] 和血液生物标志物 [55, 56] 来辅助原发性头痛疾病的诊断；然而，这些方法均未能取代临床访谈。

468

3 诊断

既往研究主要聚焦于偏头痛，对其他头痛疾病的鉴别诊断关注较少 [57, 58]。

然而，头痛疾病的临床诊断应基于整体方法，因为单一特征无法替代正确诊断。我们旨在利用机器学习方法分析患者的自报症状，对包括偏头痛在内的四种头痛疾病进行分类。

方法 我们应用最小绝对收缩和选择算子（LASSO）[59] 为每个堆叠分类器层选择少量重要特征。

这些特征被选为稳定特征集，阈值设为3，以在十折交叉验证中训练队列的留出折上最大化分类器平均性能。

选定的稳定特征用于训练堆叠XGBoost分类器。为确保我们研究中使用的方法适合分类头痛亚型，我们将特征选择方法（LASSO）与支持向量机递归特征消除（SVM-RFE）[60] 和最小冗余最大相关（mRMR）[61] 方法进行了比较。

使用mRMR和SVM-RFE为每个分类器层选择的特征数量与LASSO所选的相同。

我们还将XGBoost与其他二分类器（如k近邻（k-NN）、支持向量机（SVM）和随机森林）在每个堆叠层中进行了比较，使用LASSO选择的特征。

结果 第四层（颅表型头痛 vs. 雷击样头痛）排名前三的突出特征为：部位——耳后、疼痛性质——电击样和疼痛性质——刺痛，假设颅表型头痛为特定头痛综合征分类器中的阳性亚型。

使用所选特征的堆叠XGBoost分类器在训练队列中对5个亚型分别获得了82%的准确率、87%、66%、85%、65%和64%的灵敏度，以及94%、54%、58%、63%和57%的特异度。

使用所选特征的堆叠XGBoost分类器在测试队列中对5个亚型分别获得了81%的准确率、88%、69%、65%、53%和51%的灵敏度，以及95%、55%、46%、48%和51%的特异度。

我们在每个堆叠层中将XGBoost与k-NN、SVM和随机森林分类器进行了比较，比较指标包括总体准确率、最低灵敏度和最低特异度。

讨论 我们在真实世界环境下，应用机器学习方法对患者自填的问卷进行分类，以分类主要头痛疾病。

3.1 分类

469

机器学习方法在偏头痛分类中的表现优异，然而其在分类偏头痛以外的头痛疾病时的准确率低于偏头痛分类的准确率。

我们的研究是最早将机器学习应用于分析患者自报问卷以分类原发性头痛疾病的研究之一 [57]。

现有的关于使用机器学习分类头痛疾病的研究，由于样本量的限制，仅关注少数选定的头痛疾病，如偏头痛和紧张型头痛 [57, 58]。

这一重要特征在继发性和原发性头痛的鉴别诊断中应始终予以考虑，但其并未被列入ICHD-3关于偏头痛、紧张型头痛和颅表型头痛的诊断标准中 [51]。

致谢 本摘要由机器生成，基于Kwon, Junmo; Lee, Hyebin; Cho, Soohyun; Chung, Chin-Sang; Lee, Mi Ji; Park, Hyunjin. 2020年发表于Scientific Reports的工作。

电子头痛日记中偏头痛和紧张型头痛发作自动分类算法的验证