Background Perturbed iron homeostasis is a risk factor for tuberculosis (TB) progression and an indicator of TB treatment failure and mortality. Few studies have evaluated iron homeostasis as a TB diagnostic biomarker. Methods We recruited participants with TB, latent TB infection (LTBI), cured TB (RxTB), pneumonia (PN) and healthy controls (HCs). We measured serum levels of three iron biomarkers including serum iron, ferritin and transferrin, then established and validated our prediction model. Results We observed and verified that the three iron biomarker levels correlated with patient status (TB, HC, LTBI, RxTB or PN) and with the degree of lung damage and bacillary load in patients with TB. We then built a TB prediction model, neural network (NNET), incorporating the data of the three iron biomarkers. The model showed good performance for diagnosis of TB, with 83% (95% CI 77 to 87) sensitivity and 86% (95% CI 83 to 89) specificity in the training data set (n=663) and 70% (95% CI 58 to 79) sensitivity and 92% (95% CI 86 to 96) specificity in the test data set (n=220). The area under the curves (AUCs) of the NNET model to discriminate TB from HC, LTBI, RxTB and PN were all >0.83. Independent validation of the NNET model in a separate cohort (n=967) produced an AUC of 0.88 (95% CI 0.85 to 0.91) with 74% (95% CI 71 to 77) sensitivity and 92% (95% CI 87 to 96) specificity. Conclusions The established NNET TB prediction model discriminated TB from HC, LTBI, RxTB and PN in a large cohort of patients. This diagnostic assay may augment current TB diagnostics.

中文翻译：

---

铁代谢的生物标志物促进结核分枝杆菌感染的临床诊断

背景 铁稳态紊乱是结核病 (TB) 进展的危险因素，也是结核病治疗失败和死亡率的指标。很少有研究将铁稳态作为结核病诊断生物标志物进行评估。方法 我们招募了患有 TB、潜伏性 TB 感染 (LTBI)、治愈性 TB (RxTB)、肺炎 (PN) 和健康对照 (HC) 的参与者。我们测量了血清铁、铁蛋白和转铁蛋白等三种铁生物标志物的血清水平，然后建立并验证了我们的预测模型。结果 我们观察并验证了三种铁生物标志物水平与患者状态（TB、HC、LTBI、RxTB 或 PN）以及肺损伤程度和 TB 患者的细菌负荷相关。然后我们建立了一个结核病预测模型，神经网络 (NNET)，结合了三种铁生物标志物的数据。该模型显示出良好的 TB 诊断性能，在训练数据集 (n=663) 和 70% (95%) 的敏感性和 86% (95% CI 83 到 89) 的特异性测试数据集 (n=220) 中的 CI 58 至 79) 敏感性和 92% (95% CI 86 至 96) 特异性。NNET 模型将 TB 与 HC、LTBI、RxTB 和 PN 区分开来的曲线下面积 (AUC) 均 >0.83。在单独的队列 (n=967) 中对 NNET 模型进行独立验证产生 0.88（95% CI 0.85 至 0.91）的 AUC，具有 74%（95% CI 71 至 77）灵敏度和 92%（95% CI 87 至 96） ) 特异性。结论 建立的 NNET TB 预测模型在大量患者中将 TB 与 HC、LTBI、RxTB 和 PN 区分开来。这种诊断分析可以增强当前的结核病诊断。在训练数据集 (n=663) 中具有 83% (95% CI 77 至 87) 的敏感性和 86% (95% CI 83 至 89) 的特异性和 70% (95% CI 58 至 79) 的敏感性和 92% ( 95% CI 86 至 96) 在测试数据集 (n=220) 中的特异性。NNET 模型将 TB 与 HC、LTBI、RxTB 和 PN 区分开来的曲线下面积 (AUC) 均 >0.83。在单独的队列 (n=967) 中对 NNET 模型进行独立验证产生 0.88（95% CI 0.85 至 0.91）的 AUC，具有 74%（95% CI 71 至 77）灵敏度和 92%（95% CI 87 至 96） ) 特异性。结论 建立的 NNET TB 预测模型在大量患者中将 TB 与 HC、LTBI、RxTB 和 PN 区分开来。这种诊断测定可以增强当前的结核病诊断。在训练数据集 (n=663) 中具有 83% (95% CI 77 至 87) 的敏感性和 86% (95% CI 83 至 89) 的特异性和 70% (95% CI 58 至 79) 的敏感性和 92% ( 95% CI 86 至 96) 在测试数据集 (n=220) 中的特异性。NNET 模型将 TB 与 HC、LTBI、RxTB 和 PN 区分开来的曲线下面积 (AUC) 均 >0.83。在单独的队列 (n=967) 中对 NNET 模型进行独立验证产生 0.88（95% CI 0.85 至 0.91）的 AUC，具有 74%（95% CI 71 至 77）灵敏度和 92%（95% CI 87 至 96） ) 特异性。结论 建立的 NNET TB 预测模型在大量患者中将 TB 与 HC、LTBI、RxTB 和 PN 区分开来。这种诊断分析可以增强当前的结核病诊断。NNET 模型将 TB 与 HC、LTBI、RxTB 和 PN 区分开来的曲线下面积 (AUC) 均 >0.83。在单独的队列 (n=967) 中对 NNET 模型进行独立验证产生 0.88（95% CI 0.85 至 0.91）的 AUC，具有 74%（95% CI 71 至 77）灵敏度和 92%（95% CI 87 至 96） ) 特异性。结论 建立的 NNET TB 预测模型在大量患者中将 TB 与 HC、LTBI、RxTB 和 PN 区分开来。这种诊断分析可以增强当前的结核病诊断。NNET 模型将 TB 与 HC、LTBI、RxTB 和 PN 区分开来的曲线下面积 (AUC) 均 >0.83。在单独的队列 (n=967) 中对 NNET 模型进行独立验证产生 0.88（95% CI 0.85 至 0.91）的 AUC，具有 74%（95% CI 71 至 77）灵敏度和 92%（95% CI 87 至 96） ) 特异性。结论 建立的 NNET TB 预测模型在大量患者中将 TB 与 HC、LTBI、RxTB 和 PN 区分开来。这种诊断分析可以增强当前的结核病诊断。结论 建立的 NNET TB 预测模型在大量患者中将 TB 与 HC、LTBI、RxTB 和 PN 区分开来。这种诊断分析可以增强当前的结核病诊断。结论 建立的 NNET TB 预测模型在大量患者中将 TB 与 HC、LTBI、RxTB 和 PN 区分开来。这种诊断测定可以增强当前的结核病诊断。