更早识别罕见病：从卫生系统临床数据中提取更智能的信号

作者：图多尔·格罗扎（Tudor Groza，新加坡科技研究局（A*STAR）生物信息学研究所，以及母婴健康研究院、竹脚妇幼医院，新加坡）与伊恩·格林（Ian Green，国际医学术语组织（SNOMED International））
罕见病累及全球多达 3 亿人——然而对多数患者而言，确诊之路漫长、零散而令人沮丧。识别一种罕见病症往往耗时 5 至 6 年、经历数十次就医，期间患者要面对不确定性、诊疗延误、无谓转诊与情感重负。对医疗体系而言，这种延误不仅意味着临床风险，也是机会成本：罕见病患者常在各类服务之间反复辗转，却得不到协同的识别与干预。
随着各国以人口规模建设数字健康基础设施，需要新的工具主动识别可能罹患罕见病的个体，让他们更早接入专科诊疗路径。
在《npj 数字医学》（npj Digital Medicine）近期发表的一项研究中，图多尔·格罗扎等人提出了一种以信息量（Information Content，IC）为基础的全新筛查思路——信息量衡量的是一名患者的临床画像在电子健康记录中显得多么「不寻常」或多么特异。
将该方法应用于新加坡覆盖 127 万患者的全国队列后，结果显示：罕见病患者自最早期临床接触起便呈现出独特、更高的信息量（IC）模式。作者借助嵌入新加坡电子健康记录的临床术语 SNOMED CT 证明，信息量能够可靠地为患者分层，并帮助筛选出可能从罕见病评估或遗传学评估中获益的候选者。在医疗体系层面，此方法仅用简单的信息量阈值即达到约 95% 的敏感度，同时把随访负担控制在可承受范围。
除识别已知的罕见病患者外，他们的工作还在人群中揭示出 71 种可能被诊断不足的罕见病症——其中多数可能源于遗传因素。这凸显了该方法学的一大次级收益：不仅让医疗体系更早发现个体患者，也使其得以挖掘人群中隐匿的临床模式与未获满足的需求。
重要的是，该方法并不要求复杂的机器学习基础设施。信息量可作为轻量筛查层叠加于现有电子健康记录之上，即使在数字健康建设初期环境中也具备可实施性。
「罕见病患者往往在医疗体系中辗转多年才得到确诊，可许多线索早已存在于他们的病历中，」竹脚妇幼医院遗传服务高级顾问、新加坡保健局杜克—国大精准医学研究所（SingHealth Duke-NUS Institute of Precision Medicine）主任、新加坡儿童未诊断疾病计划（Singapore Childhood Undiagnosed Disease Programme）首席研究员萨米娅·贾穆阿尔（Saumya Jamuar）副教授说，「通过利用常规采集的临床数据中的信息量，这项研究展示了如何更早、更有条理地把患者识别出来——不是给临床医生增添负担，而是让医疗体系自身标记出可能从专科复核中获益的个体。我们的愿景是缩短这段诊断长征，确保每位罕见病患者都能拥有被尽早识别、评估与支持的公平机会。」
这项工作的一项关键推动力，是临床诊疗与罕见病研究所用术语之间日益增强的对齐。相较 ICD-10 等既往标准，SNOMED CT 对罕见病症的表达显著更为丰富；它与罕见病分类的全球权威机构 Orphanet 之间的官方映射，使系统性识别罕见病患者并评估信息量驱动的筛查表现成为可能。这一协作凸显了现代语义丰富型术语在规模化推进精准医学中的价值。
「SNOMED CT 丰富的临床词汇及其与 Orphanet 的对接，为在医疗体系内部理解罕见病提供了强大基础，」国际医学术语组织全球临床参与负责人伊恩·格林（Ian Green）表示。「这项研究表明，标准化术语与高质量映射如何开启此前难以企及的全新分析路径。我们很自豪支持这样的研究——把结构化临床数据转化为有意义的洞见，帮助医疗体系主动识别并照护罕见病患者。」
展望未来，格罗扎等人将此视为更广泛罕见病早期检测工具生态的基础。把信息论筛查与基因组学、机器学习及临床流程相整合，可进一步缩短确诊之路，实现更快的专科转诊与更早的治疗干预。作者鼓励各医疗体系、临床医生与患者权益组织探索采用主动式罕见病筛查——因为从诊断长征中省下的每一年都有可能改变一个人的一生。
该研究可在此获取：https://doi.org/10.1038/s41746-025-02096-x