本文经陈旻湖教授授权发布，未经允许请勿转载。

导读

2025年5月3-6日，2025年美国消化疾病周（DDW 2025）于美国加利福尼亚州圣地亚哥举行。本届大会由美国肝病研究协会（AASLD）、美国胃肠病协会（AGA）、美国胃肠内镜学会（ASGE）和消化外科学会（SSAT）联合主办，汇聚来自世界各地的重磅消化病专家、学者和临床医师，共同探索胃肠病学、肝病学、内镜及胃肠外科领域的最新进展。

在DDW 2025上，中山大学附属第一医院陈旻湖教授团队发表了多项重要研究成果，医脉通整理报道了其中三项与溃疡性结肠炎（UC）相关的研究进展内容，以飨读者。

基于机器学习算法预测急性重度UC风险：一项多中心队列研究

Number: Mo1876

研究背景和方法

重度UC与住院和结肠切除术风险增加相关。目前针对重度UC的预测模型研究有限，尤其是亚洲人群。本研究旨在基于机器学习算法，开发并验证适用于中国重度UC患者的预测模型。本研究回顾性纳入2013-2016年中国四家三级医院诊断为轻中度UC的患者，主要结局为诊断后3年内需住院的重度UC。应用机器学习算法开发并验证预测模型，并将该模型的性能与针对欧洲患者的成熟模型——牛津模型进行比较。

研究结果

共纳入437例轻中度UC患者，其中67例（15.3%）在3年内进展为需住院或手术的重度UC。模型筛选出11项预测特征，包括年龄、性别、病变范围、C反应蛋白（CRP）、红细胞沉降率（ESR）、血红蛋白、白细胞计数（WBC）、血小板、白蛋白（ALB）、静脉糖皮质激素/免疫抑制剂/生物制剂使用史。在内部验证数据集中，多层感知器（MLP）模型的AUC为0.883；外部验证数据集中MLP模型的AUC为0.897，显著优于牛津模型（AUC=0.661，P<0.012）及Cox回归模型（AUC=0.764，P<0.001）。

研究结论

MLP预测模型对重度UC患者具有优异的区分能力，性能优于牛津模型及Cox回归模型。

早期心理健康改善与UC的长期疾病缓解相关

Number: Mo1966

研究背景和方法

新的证据强调了心理健康在UC管理中的关键作用，但心理健康改善对长期结局的影响尚不明确。本研究旨在探讨早期心理健康改善与UC长期疾病缓解的关联。本研究为事后分析，基于SELECTION试验（NCT02914522）数据，纳入381例接受菲戈替尼（Filgotinib）治疗的患者。通过36项简版健康调查的心理健康量表评估心理健康。第58周评估内镜、临床及组织学结果。采用多变量逻辑回归计算校正比值比（aOR）及95%置信区间（95% CI），采用接收者操作特征曲线结合bootstrap重采样，以确定心理健康反应阈值。

研究结果

诱导治疗10周后，心理健康量表的变化显著高于生理健康量表。心理健康（IQR 15.70）、活力（IQR 14.86）和情绪角色限制（IQR 13.82）的绝对变化幅度最大。第10周的早期心理健康改善与第58周的疾病缓解显著相关。校正混杂因素后，心理健康改善与以下结局的aOR分别为：内镜缓解1.03（95% CI: 1.00–1.06）、临床缓解1.03（95% CI: 1.01–1.05）、组织学缓解1.03（95% CI: 1.01–1.05）、第58周疾病清除1.04（95% CI: 1.01–1.07）。第10周达到心理健康应答（定义为心理健康量表评分增加≥7.85分）的患者，更有可能实现长期的内镜缓解（aOR 2.67，95% CI: 1.43–5.25）、临床缓解（aOR 1.91，95% CI: 1.22–2.99）、组织学缓解（aOR 1.98，95% CI: 1.27–3.12）、疾病清除（aOR 3.48，95% CI: 1.74–7.50）。此外，联合心理健康应答与临床缓解可显著提升预测效能。第10周仅达到临床缓解的患者（未联合心理健康应答），其第58周内镜缓解概率为同时达标者的一半（aOR 0.45，95% CI: 0.21–0.91）。

研究结论

早期心理健康改善是UC长期疾病缓解的独立预测因子。将心理健康评估纳入UC管理策略中，可能为临床决策提供超越生理症状的额外价值。

基于基础模型构建新型AI模型用于UC相关异型增生检测：一项多中心研究

Number: Mo2071

研究背景和方法

随着疾病进展，UC相关结直肠癌（UC-CRC）的累积风险显著升高。因此，病程较长的患者需定期接受结肠镜筛查以监测异型增生。然而，由于炎症性肠病（IBD）患者常存在广泛的背景黏膜炎症，UC相关病变（尤其是Paris I型平坦病变）易被漏诊。本研究旨在开发一种稳健的AI模型，用于在 UC 患者的结肠镜检查中检测异型增生性病变。纳入中山大学附属第一医院、北京协和医院及武汉大学人民医院的内镜图像，所有病变均经内镜或手术病理证实。基于已有的大规模自监督预训练内镜基础模型构建异型增生检测模型。

研究结果

共纳入3133例病变（异型增生730例/1804张图像，非异型增生2403例/5585张图像），其中包含非IBD相关异型增生图像936张及非IBD相关非异型增生图像332张。最终模型的性能指标如下：AUC 0.819、准确率0.801、灵敏度0.674、特异度0.818。未使用非IBD数据构建的模型性能较差（AUC 0.7841，准确率0.7888，灵敏度0.6604，特异度0.8022）。

研究结论

本研究成功构建了一种新型AI模型，可准确诊断UC患者的异型增生性病变，有望提高UC相关异型增生的检出率并降低UC-CRC发病率。此外，研究表明纳入非IBD数据可提升模型性能，提示UC患者CRC发展中的内镜形态变化可能与非IBD人群存在相似性。

陈旻湖

主任医师、教授、博士生导师

中山大学附属第一医院消化内科首席专家学科带头人

中华医学会消化病学分会第十一届主任委员

中华医学会消化病学分会炎症性肠病学组组长

中国医师协会消化医师分会副会长