中枢性性早熟(CPP)，又称真性性早熟，其特点是下丘脑-垂体-性腺(HPG)轴过早激活，导致8岁以下女孩和9岁以下男孩出现临床青春期症状。一些国家对本国境内的性早熟患病率进行了研究，研究结果表明，儿童性早熟呈上升趋势。然而，关于这一上升的潜在原因的共识仍然难以捉摸。先前的研究表明，与男孩相比，女孩患特发性中枢性性早熟的可能性要高得多。然而，最近一项来自意大利的全国性多中心研究表明，男孩特发性CPP的比例可能比以前报道的要高得多。CPP可能会影响成人身高，甚至可能导致社会和心理障碍。值得注意的是，患有CPP的女孩患乳腺癌或宫颈癌的风险较高。因此，及时诊断和治疗对于患有CPP的女孩至关重要。同时，外周性早熟(PPP)，临床上称为性假性早熟，表现出与CPP相似的临床特征，但没有下丘脑-垂体-性腺(HPG)轴的激活。在常规临床诊断中，如果没有促性腺激素释放激素(GnRH)刺激试验，诊断CPP是具有挑战性的。

然而，这种测试不仅昂贵且耗时，而且由于需要建立血管通道并在不同的时间间隔收集多个血液样本，通常会引起患者的焦虑。此外，在资源有限的非三级医院或社区医院，这种费力的测试并不总是可行的。因此，一些研究试图探索其他方便的临床、激素(实验室)和影像学相关标志物，如基础性激素水平、盆腔超声或骨龄，以识别特发性CPP患者。然而，这些因素的临界值差异很大，其效率仍不清楚。近年来，随着人工智能(AI)在医学领域的发展，基于临床、激素(实验室)和成像数据的机器学习(ML)模型利用临床、激素(实验室)和成像数据作为输入创建分类器，实现了对CPP的快速识别。该方法为CPP的客观、快速、智能诊断提供了新的视角。然而，这些研究的结果差异很大，难以直接比较，主要是由于ML方法不同。因此，基于临床、激素(实验室)和影像学数据的ML模型对CPP的诊断价值仍然难以捉摸。本研究的目的是通过对现有研究的荟萃分析，探讨基于临床、激素(实验室)和影像学数据的ML模型对CPP的诊断价值。

方法:我们全面检索了临床、激素(实验室)和影像学数据为基础的ML模型诊断CPP的相关英文文章，时间范围为数据库创建日期至2023年12月。计算合并敏感性、特异性、阳性似然比(LR+)、阴性似然比(LR-)、总受试者工作特征(SROC)曲线和曲线下面积(AUC)，评估临床、激素(实验室)和影像学数据为基础的ML模型对CPP的诊断价值。异质性采用I2检验，异质性来源采用meta回归分析。采用Deeks漏斗图不对称检验评估发表偏倚。

总结研究选择过程的流程图

纳入研究的特点

偏倚风险和适用性涉及纳入研究的总结

基于临床、激素(实验室)和影像学数据诊断CPP ML模型的分层总结SROC图

基于临床、激素(实验室)和影像学数据的ML模型的Fagan图诊断CPP

Deeks发表偏倚漏斗图不对称检验

单变量和多变量元回归分析，用于识别协变量，以解释临床、激素(实验室)和基于影像学数据的ML模型诊断CPP研究之间的异质性

结果:6项研究符合入选标准。合并敏感性和特异性分别为0.82(95%可信区间(CI) 0.62-0.93)和0.85 (95% CI 0.80-0.90)。LR+为6.00,LR-为0.21，表明基于临床、激素(实验室)和影像学数据的ML模型具有良好的确认或排除CPP的能力。SROC曲线显示临床、激素(实验室)和影像学数据的ML模型诊断CPP的AUC为0.90 (95% CI 0.87-0.92)，对CPP有较好的诊断价值。

结论:根据我们的荟萃分析结果，基于临床和影像学数据的ML模型是诊断CPP的优秀诊断工具，具有高灵敏度，特异性和AUC。尽管研究结果的地理局限性，但未来的研究将努力解决这些问题，以提高其适用性和可靠性，为CPP的鉴别和治疗提供更精确的指导。

原始出处： 

Yilin, Chen;  Xueqin, Huang;  Lu, Tian；Meta-analysis of machine learning models for the diagnosis of central precocious puberty based on clinical, hormonal (laboratory) and imaging data.Front Endocrinol (Lausanne) 2024;15(0):1353023