用于预测新诊断克罗恩病手术的列线图的开发和验证：一项回顾性队列研究

克罗恩病 (CD) 是一种累及整个胃肠道的慢性炎症性疾病，具有进行性和破坏性病程，并且在全球范围内发病率不断增加。1 尽管新诊断 CD 患者最常见的疾病行为是炎症（蒙特利尔分类中的 B1 2），但诊断后 10 年内，大约一半的患者会观察到疾病行为快速而显着的进展。 3-5 基于人群的队列数据显示，近一半的患者在诊断后的 20 年内出现了肠道并发症，例如狭窄和瘘管。3 尽管应用了免疫抑制维持治疗，但仍有超过一半的患者出现严重并发症，需要进行肠切除术。6,7 近几十年来，随着肿瘤坏死因子拮抗剂、肠道选择性单克隆抗整合素抗体以及 IL-12 和 IL-23 信号抑制剂等靶向生物疗法的出现，CD 的医疗管理发生了革命性的变化。 8 事实证明，更早、更积极地应用生物制剂或新型小分子和联合疗法可引起自然病程的深刻改变，并减少新诊断 CD 患者住院和手术的需要。9,10 然而，所谓的自上而下的治疗策略中最困难的挑战之一是识别疾病进展高风险的患者，因此尽管存在与治疗相关的不良事件和高昂的费用，但仍需要更强化的治疗模式。 从另一个角度来看，未能识别高危患者也会延迟更有效疗法的处方，并导致疾病进展的风险增加。

在新诊断 CD 的基线风险分层领域已经做出了很多努力。 已发现许多临床特征与预后独立相关，包括诊断时的年龄、疾病部位、疾病行为、吸烟状况和用药史。9,11,12 与此同时，在试点研究中发现了几种预后生物标志物，包括免疫相关分子和特定基因表达水平。 13,14 尽管如此，不便和高昂的费用阻碍了它们的充分验证和临床应用。 因此，治疗选择仍然是根据临床危险因素和患者合并症，针对新诊断的 CD 患者个体进行量身定制的治疗选择，这距离精准治疗还很远。

在这个人工智能时代，许多机器学习模型已经被开发出来，用于炎症性肠病各个领域的创新，例如诊断、监测、病程预测和管理。 15 不幸的是，大多数流行的机器学习预测模型本质上都是黑匣子，在做出结论时附有一些附带的理由，这限制了临床可靠性，从而阻碍了临床实施。 16 为了平衡有效性与便利性和可解释性，我们的目标是构建一个解释良好的 Cox 统计回归模型以及基于临床特征和可用血清学指标的列线图，以预测新诊断 CD 的长期预后。