基于机器学习评估血清血小板生成素（TPO）水平在ITP、AA和MDS鉴别诊断中的价值：一项回顾性队列研究

　　这篇研究通过回顾性队列分析，创新性地结合血清血小板生成素（TPO）水平与机器学习模型（Logistic回归/XGBoost/LightGBM），揭示了TPO在免疫性血小板减少症（ITP）、再生障碍性贫血（AA）和骨髓增生异常综合征（MDS）鉴别诊断中的关键价值。研究发现AA患者TPO水平（1369.19±751.26 pg/mL）显著高于ITP（263.57±355.91 pg/mL）和MDS（434.55±551.56 pg/mL）（P<0.0001），并确定302.43 pg/mL为ITP与AA鉴别的最佳截断值（AUC=0.925）。机器学习模型进一步将诊断准确率提升至86.3%，为临床无创诊断提供了新策略。

　　

引言
免疫性血小板减少症（ITP）、再生障碍性贫血（AA）和骨髓增生异常综合征（MDS）均以血小板减少为特征，但病理机制和治疗方案迥异。当前诊断依赖侵入性骨髓检查，亟需开发非侵入性生物标志物。血清血小板生成素（TPO）作为调控血小板生成的关键因子，其水平在不同疾病中呈现显著差异：ITP因血小板破坏加速表现为正常或轻度升高，AA因骨髓衰竭显著升高，而MDS则因骨髓功能紊乱呈现波动性变化。

材料与方法
研究纳入中国医学科学院血液病医院2019-2024年751例患者（ITP 174例，AA 492例，MDS 85例）和140例健康对照。采用Quantikine Human TPO免疫分析法检测血清TPO水平，并构建包含Logistic回归、XGBoost等7种机器学习模型，整合WBC、PLT、PT等28项临床指标。通过SMOTE算法处理数据不平衡问题，采用五折交叉验证优化模型参数。

结果

1. TPO水平差异：AA组TPO（1369.19±751.26 pg/mL）显著高于ITP组（P<0.001）和MDS组（P<0.001），健康对照组为71.64±30.32 pg/mL。
2. 诊断阈值：TPO区分ITP与AA的截断值为302.43 pg/mL（AUC=0.925，灵敏度80.75%，特异度94.06%）；区分AA与健康对照的截断值150.34 pg/mL（AUC=0.990）。
3. 机器学习表现：Logistic回归模型综合性能最优（准确率86.3%，AUC=0.910），其中对AA的预测召回率达97%，但MDS预测性能较低（F1=0.62）。

讨论
研究首次系统评估了TPO联合机器学习在三种血液病鉴别中的价值。AA患者TPO的极端升高与骨髓造血衰竭的病理机制一致，而机器学习通过整合多参数（如年龄、CRP）进一步提升了诊断精度。值得注意的是，传统指标MPV和IPF在本研究中未显示鉴别价值（P>0.05），突显TPO的特异性优势。

展望
未来需通过多中心研究验证模型泛化能力，并探索TPO受体激动剂（TPO-RA）治疗反应预测价值。结合基因组学数据可能进一步提升MDS的诊断准确性，推动精准医疗在血液病领域的应用。