基于微生物组学和机器学习构建咽喉反流唾液菌群诊断模型

目的探索使用微生物组学技术和机器学习的方法构建咽喉反流(laryngopharyngeal reflux,LPR)唾液菌群诊断模型的可能性。方法以2022年2~11月就诊的经8周质子泵抑制剂治疗显效的34例LPR患者为病例组,与病例组年龄、性别和体重指数相匹配的47例健康志愿者为对照组,留取用药前的唾液标本,提取DNA,扩增16S片段后进行测序,对测序结果进行生物学信息分析,比较菌属水平物种差异。选择病例组24例、对照组33例作为训练集,其余作为测试集,随机森林法分类数据,进行十折交叉验证,选择最优菌属组合构建诊断模型,计算疾病概率指数(probability of disease,POD),绘制ROC曲线,使用SPSS 18.0软件对数据进行统计学分析。结果病例组和对照组相比,唾液中22个属相对丰度存在统计学差异(P<0.05),构建由6个菌属组成的诊断模型,即乳酸杆菌属、芽孢杆菌属、新鞘氨醇杆菌属、假交替单胞菌属、罗尔斯通菌属和Phocaeicola属,测试集ROC曲线下面积为0.843,诊断模型灵敏度为60.0%,特异度为87.71%,Kappa值为0.470。结论由唾液菌群构建的菌属组合诊断模型可以区分LPR患者与健康人,具有潜在的临床应用价值。