整合临床与血小板参数构建早产儿视网膜病变无创诊断模型及严重程度预测研究

《Scientific Reports》：Development of a non-invasive diagnostic model for severe Retinopathy of Prematurity integrating clinical and platelet data

本研究针对早产儿视网膜病变（ROP）筛查存在的操作复杂、依赖专业设备等问题，通过整合多维临床指标与血小板（PLT）动态参数，开发了基于列线图（Nomogram）的非侵入性早期诊断模型。研究发现，孕周（GA）、母亲年龄、体外受精（IVF）及PMA 30周时PLT值是关键预测因子，模型在训练集和验证集中AUC分别达0.80和0.86，尤其对严重ROP具有高预测效能，为优化筛查资源分配和早期干预提供了新策略。

　　

随着围产医学和新生儿救治技术的进步，早产儿存活率显著提升，但与之相伴的早产儿视网膜病变（Retinopathy of Prematurity, ROP）发病率也持续攀升。ROP是一种因视网膜血管发育异常导致的致盲性眼病，若未及时干预，可进展为视网膜脱离、眼球萎缩，甚至永久性失明，严重影响患儿生活质量并加重家庭社会经济负担。当前ROP筛查主要依赖间接检眼镜和Retcam眼底成像系统，存在操作复杂、需散瞳镇静、医疗资源依赖度高的问题，在偏远地区推广困难，且反复检查可能增加患儿应激风险。因此，开发快速、高效的无创筛查工具成为临床迫切需求。

近年来研究表明，血小板（Platelet, PLT）参数与ROP的异常血管增生存在关联，但既往研究多聚焦于PLT与ROP的简单相关性，未能整合其他关键临床变量。为此，山东大学附属儿童医院团队开展了一项回顾性研究，旨在通过整合PLT参数与多维临床指标，构建高效、非侵入性的ROP预测及风险分层工具，以优化筛查资源分配，为个体化防治提供依据。相关成果发表于《Scientific Reports》。

研究团队回顾性分析了2020年1月至2025年9月收治的1644例婴儿数据，最终纳入332例具备完整资料的早产儿，根据眼底筛查结果分为ROP组（190例）和非ROP组（142例），其中ROP组进一步按治疗需求分为轻度（110例）和重度（15例）亚组。研究收集了父母因素、新生儿因素、治疗因素共24项临床特征，并动态监测了从出生至校正孕周（Postmenstrual Age, PMA）40周期间的PLT参数。关键技术方法包括：使用Lasso回归（Least Absolute Shrinkage and Selection Operator）进行变量筛选，通过多因素Logistic回归构建列线图模型，并采用受试者工作特征曲线下面积（Area Under the Curve, AUC）、校准曲线、Hosmer-Lemeshow检验和决策曲线分析（Decision Curve Analysis, DCA）验证模型的区分度、校准度和临床有效性。

患者特征描述

统计分析显示，ROP组与非ROP组在父亲年龄、体外受精（IVF）、入院日龄、孕周（Gestational Age, GA）、剖宫产、5分钟Apgar评分、出生体重、窒息、氧疗、机械通气（Mechanical Ventilation, MV）初暴露、MV持续时间、无创通气时间、高流量吸氧时间和输血等方面存在显著差异（P<0.05）。

ROP早期预测模型的建立

通过Lasso回归筛选出GA、母亲年龄、MV持续时间、IVF和产后窒息五个预测因子，最终为简化模型保留GA、母亲年龄和IVF三个核心变量构建列线图。

模型显示，较低GA、较高母亲年龄和IVF可获得更高评分，对应更高ROP风险。该列线图在训练集和验证集中的AUC均为0.80（95%CI：0.74-0.85和0.71-0.89），校准曲线显示预测概率与实际风险一致性良好（P>0.05），DCA表明模型具有临床净获益。

PLT在区分严重ROP中的作用

研究发现，出生时PLT及相关参数在ROP组与非ROP组间无显著差异，但PMA 30周时，严重ROP组的PLT值显著低于轻度组（160×10⁹/L vs. 254×10⁹/L, P=0.048），而平均血小板体积（Mean Platelet Volume, MPV）、血小板压积（Plateletcrit, PCT）和血小板分布宽度（Platelet Distribution Width, PDW）无显著差异。

严重ROP预测模型的建立

针对轻度与严重ROP的鉴别，研究构建了包含GA、5分钟Apgar评分、出生体重和PMA 30周时PLT的列线图模型。

该模型AUC达0.86（95%CI：0.76-0.96），校准良好，D曲线显示具有临床应用价值。结果表明，较小GA、较低Apgar评分、较低出生体重和较低PLT计数与严重ROP风险增加相关。

研究结论与讨论

本研究成功构建了整合临床参数与PLT计数的ROP非侵入性早期预测及风险分层工具，模型性能优异（AUC 0.80-0.86），显著优于传统逻辑回归模型，并与部分机器学习模型相当。其优势在于参数简约（仅需出生数据和PMA 30周PLT）、临床易获取，避免了动态监测体重或复杂病史的负担，为优化筛查策略提供了更可行的工具。

研究创新性地揭示了PLT动态变化与ROP严重程度的负相关性，提出血小板可能通过释放抗血管生成因子（如内皮抑素）抑制新生血管形成，而血小板减少可能削弱此保护机制，从而促进ROP进展。这为理解ROP病理生理机制提供了新视角。

然而，本研究存在单中心、样本量有限、严重ROP病例数较少等局限性，可能影响模型泛化能力。未来需通过多中心前瞻性队列研究进一步验证模型的普适性。总体而言，该研究为ROP的早期识别和干预提供了重要工具，对降低致盲率、改善早产儿生存质量具有积极意义。