电子头痛日记中偏头痛和紧张型头痛发作自动化分类算法的验证

DOI: https://doi.org/10.1186/s10194- 020- 01139- w

摘要-总结 本研究评估了电子头痛日记中两种主要原发性头痛障碍（偏头痛和紧张型头痛）单次发作自动化分类工具的准确性。

从使用医疗应用程序M-sense的患者电子头痛日记中随机选取102份头痛发作报告，分别由一名头痛医学专科神经科医生和一个基于ICHD-3偏头痛和紧张型头痛诊断标准构建的算法进行分类。

通过kappa统计量比较头痛专科医生与算法之间的一致性水平。

神经科医生和算法分别对伴先兆偏头痛（MA）、无先兆偏头痛（MO）、紧张型头痛（TTH）以及非偏头痛或非紧张型头痛事件进行了分类。

在102份头痛报告中，86例完全一致，16例不一致，未加权kappa值为0.74，代表实质性一致水平。

470

3 诊断

实质性一致水平表明该分类工具是一种有价值的电子头痛日记自动化评估工具，从而可支持诊断和治疗临床流程。

扩展说明：神经科医生与算法对102次单次头痛事件的分类一致性结果显示，86例一致，16例不一致。

下文结果部分展示了本次有效性评估的发现。

未来研究可利用该分类算法进行大规模数据库分析以开展流行病学研究，例如探讨偏头痛和紧张型头痛是诊断类型还是严重程度连续谱上的点[62]。

背景 在治疗方面，偏头痛严重程度高和头痛相关残疾程度重的患者应接受急性期治疗，必要时接受偏头痛特异性预防性治疗[63]。

为解决这一需求，本文提出了一种将ICHD-3标准应用于偏头痛管理应用程序数据库中单次头痛事件的算法。

我们的目标是为将患者头痛事件分类为偏头痛或紧张型头痛提供高效手段。

旨在研究算法使用ICHD标准对电子健康日记中患者头痛事件进行偏头痛或紧张型头痛分类的准确程度。

作为验证，一名头痛医学专科神经科医生和算法分别对医疗应用程序数据库中的头痛日记数据进行了分类。

患者使用该医疗应用程序记录头痛及潜在诱发因素，所有信息汇总在供医生查看的报告中。

方法 我们开发了一种根据ICHD-3标准对原发性头痛障碍进行分类的算法，包括确定性无先兆偏头痛、可能的无先兆偏头痛、伴先兆偏头痛和TTH，用于M-sense应用程序。

第一阶段，基于ICHD-3标准的计算机算法运行并对取自M-sense数据库的102次单次头痛事件进行分类。

在验证研究中，头痛专科医生在了解现有偏头痛和紧张型头痛诊断信息的情况下，也根据ICHD-3标准对相同的102次头痛事件进行分类。

基于头痛记录表的评估，神经科医生将分类指定为无先兆偏头痛（MO）、伴先兆偏头痛（MA）、TTH或非偏头痛/非TTH（不可分类）。

我们计算了kappa统计量，将算法的分类结果与神经科医生基于单次头痛记录表的分类结果进行比较。

3.1 分类

471

结果 神经科医生与算法对102次单次头痛事件的分类一致性结果显示86例一致，16例不一致。

从神经科医生对简短问卷的回答中，我们推断算法在第1-4类的11个病例中正确应用了ICHD-3标准。

对于第5子类，神经科医生将4例归类为不可分类，而算法识别为MO或TTH，其中3/4的病例共同特征为头痛持续时间短于30分钟。 对于另1例，神经科医生更正了他的分类。 对于第6子类，神经科医生将1例识别为无先兆偏头痛，而算法归类为不可分类，我们发现算法未被编码为正确解读相关ICHD标准。

讨论 本研究结果表明，所研究的头痛识别算法是电子头痛日记自动化评估的有效工具。

这一结果并不意外，因为通过分类大量单次发作来评估整个头痛日记是一项繁琐的任务，需要高度的注意力集中，且并不反映头痛诊断中常见的临床实践。

一项研究发现，要求神经科医生根据录像患者访谈指定头痛诊断时，神经科医生之间的一致性kappa值范围为0.55至0.81[64]。

由于偏头痛和TTH本身是现象学诊断，其他可能的诊断（如继发性头痛）必须通过鉴别诊断排除，这反映在ICHD-3的标准E中。

ICHD-3的标准A定义了做出诊断前所需的发作次数或头痛天数[65]。

结论 本研究结果证实了伴先兆偏头痛、无先兆偏头痛和紧张型头痛自动化分类算法的准确性，其与头痛医学专科神经科医生的一致性达到实质性水平。

未来研究可利用该分类算法进行大规模数据库分析以开展流行病学研究，例如探讨偏头痛和紧张型头痛是诊断类型还是严重程度连续谱上的点[62]。

致谢 本文为基于Roesch, Aaron; Dahlem, Markus A; Neeb, Lars; Kurth, Tobias的工作生成的机器摘要。2020年发表于The Journal of Headache and Pain。

472

3 诊断

通过潜在类别分析利用全国性人群研究数据对偏头痛亚型及其特征进行分类