深静脉血栓(DVT)可能通过结合肠道微生物组特征和临床数据被更准确地识别，机器学习模型相比单独的临床评估展现出显著改进的检测效果。
与深静脉血栓相关的微生物差异
研究人员分析了58名DVT患者、56名冠状动脉疾病(CAD)患者和500名健康个体(对照组)的粪便样本，以调查微生物特征是否有助于区分DVT病例与非病例。
该研究使用RNA基因测序在物种水平上表征肠道微生物群落。与健康对照个体和CAD患者相比，DVT患者表现出显著较低的微生物丰富度。
在物种水平上，与健康对照组相比，大肠杆菌(Escherichia coli)、肺炎克雷伯菌(Klebsiella pneumoniae)和可变梭杆菌(Fusobacterium varium)是DVT患者中最丰富的微生物。相比之下，粪拟杆菌(Bacteroides coprocola)、假链状双歧杆菌(Bifidobacterium pseudocatenulatum)和空气考克氏菌(Collinsella aerofaciens)在健康参与者中更为丰富。
经过筛选和特征选择后，研究人员将95个候选微生物特征减少到10个关键变量，用于AI分类建模。
机器学习模型优于临床评估
研究人员发现，整合微生物和临床数据的机器学习模型比仅使用临床数据的模型表现更佳。
整合模型的受试者工作特征(ROC)曲线下面积(AUC)为0.947(95%置信区间：0.870-0.991)，而临床模型仅为0.874(95%置信区间：0.794-0.941)。精确率-召回率AUC也更高，达到0.793(95%置信区间：0.602-0.931)，而临床模型仅为0.497(95%置信区间：0.274-0.724)。
整合方法还实现了更好的平衡准确率(敏感性和特异性)，达到91.6%(95%置信区间：84.7%-96.2%)，而临床模型仅为79.3%(95%置信区间：69.2%-87.5%)。微生物特征代表了模型识别的十个最重要预测因子中的八个，突显了它们作为生物标志物的潜在价值。
代谢通路提供生物学见解
分析表明，与DVT相关的微生物特征在酶和能量代谢通路上富集，如维生素K₂生物合成。而健康对照组则在与代谢和细胞稳态相关的代谢辅酶通路上富集。
虽然这些发现支持肠道微生物组分析作为疾病生物标志物的潜力，但在该方法能够应用于常规临床实践之前，还需要进一步验证。
参考文献
Lu CR等。通过机器学习和代谢分析区分深静脉血栓的肠道微生物组特征。Sci Rep. 2026; DOI: 10.1038/s41598-026-55650-2。
【全文结束】