一、研究方法学
本研究以#Jeune综合征#为例，利用法国Necker儿童医院Dr Warehouse临床数据仓库中的结构化与非结构化#电子健康记录系统#，结合#深度表型分析#与#机器学习#技术，对罕见疾病筛查流程进行了优化探讨：
表型提取方法： 创新性融合标准UMLS Metathesaurus概念库与深度学习增强UMLS+，后者通过双向门控循环单元与条件随机场挖掘新增骨骼异常术语，经专家审核，提升数据的临床识别度与准确率。
机器学习流程： 采用自动特征选择、欠采样平衡、基于HPO层级的语义相似度建模，并用#随机森林#与#XGBoost#模型进行五折交叉验证，实现敏感性与特异性的权衡。
对照设计： 24例基因确诊Jeune综合征患者为病例对照组；1万名其他骨骼疾病相关患者为对照组，样本设置合理。
二、循证证据等级
本研究属于#真实世界研究#的高质量数据挖掘，但由于样本总量有限（。Jeune综合征患者仅24例），且为单中心回顾性队列，循证证据等级大致处于“III级”（即基于队列或病例对照研究，非前瞻性随机对照）。但结合机器学习模型验证与专家审核，数据可靠性较高，有可复制性。
三、临床实用性与价值评价
临床实用性： 采用基于#自然语言处理#的表型自动提取，无需人工手工标注，显著提升筛查效率，降低人为偏差。敏感性达95%，AUC 0.98，临床表现优异，尤其在#罕见疾病#早期识别及分诊优化方面具实际应用潜力。
价值： 能捕捉除目标疾病外更多需转诊骨遗传病患者，对优化资源分配和辅助诊疗路线制定有重要意义。推动电子健康记录真实世界应用，为临床智能辅助决策提供坚实技术支撑。
四、可补充的不足与展望
不足：
本研究为单中心数据，且聚焦专科医院，模型泛化能力需多中心、多种族、多地理环境进一步验证。
样本规模偏小，未来建议扩大病例数量、引入更多对照疾病样本。
仅关注#骨骼异常#术语拓展，未来可考虑扩展到更多系统的罕见疾病。
虽采用专家审核，但深度学习的术语归一化仍有变异性，多语言环境下表现待进一步定量分析。
补充建议：
开展多中心、跨语言研究，检验算法在不同电子病历文本、不同疾病领域的泛化性。
引入更多前瞻性人工智能模型对比，如#大语言模型#与传统深度学习模型表现差异及实际成本分析。
推动表型数据标准化及自动标注平台建设，降低模型在大规模应用中的实际障碍。
进一步开展临床实际诊断路径追踪，量化诊断旅程缩短及医疗成本降低的效益。
2025-11-25发表于加利福尼亚
2025-11-24发表于上海
2025-10-30发表于上海
2025-10-24发表于上海
2025-10-22发表于上海
2025-10-11发表于上海
2025-10-09发表于陕西省
2025-10-09发表于陕西省
2025-09-29发表于上海
