编辑推荐：
为解决川崎病（KD）患者 IVIG 抵抗难以预测的问题，苏州大学附属儿童医院的研究人员开展构建预测模型的研究。结果显示模型预测性能良好。推荐阅读，该研究为早期识别高风险患儿、预防并发症提供新方向。
在儿童的健康世界里，有一种疾病常常让家长和医生们担忧，那就是川崎病（Kawasaki disease，KD）。这是一种免疫性血管炎疾病，特别爱 “盯上” 婴幼儿、男性以及亚洲人群，如今它已经成了儿童获得性心脏病的主要诱因。川崎病还有个 “危险伙伴”—— 冠状动脉病变（coronary artery lesions，CALs），这种病变在疾病全程都会 “捣乱”，严重损害孩子的心脏健康。
为了对抗川崎病，早期使用大剂量静脉注射免疫球蛋白（intravenous immunoglobulin，IVIG）联合阿司匹林治疗是常用的手段，它能降低 CALs 的发生风险。可让人头疼的是，有 7.5%-26.8% 的患者对初始的 IVIG 治疗根本没反应，这些 IVIG 抵抗的患者发生冠状动脉瘤（coronary artery aneurysm，CAA）的风险大大增加，严重时甚至会危及生命。所以，早点识别出这些高风险的孩子，及时进行干预，就显得尤为重要。
全世界的研究者们都在努力探索 IVIG 抵抗的风险因素，也建立了不少风险预测模型。但问题来了，这些模型就像一盘散沙，没有一个能得到大家的公认。不同模型纳入的风险因素变量各不相同，很多还依赖回顾性数据，样本量小不说，还缺少内部和外部验证，存在选择偏倚，导致模型稳定性很差，在临床应用上困难重重。
面对这样的困境，苏州大学附属儿童医院的研究人员决心 “拨云见日”。他们在《Italian Journal of Pediatrics》期刊上发表了一篇名为《Development and validation of a risk prediction model for intravenous immunoglobulin resistance in Kawasaki disease based on meta - analyses》的论文，为攻克这一难题带来了新的希望。研究人员通过一系列操作，构建了一个基于荟萃分析的 KD 中 IVIG 抵抗风险预测模型，还进行了外部验证。这个模型表现出色，为早期识别高风险人群提供了有力的工具，能帮助医生尽早进行干预，预防 CALs 的发生，意义重大。
为了完成这项研究，研究人员使用了多种技术方法。他们先在 Web of science、Embase 和 PubMed 数据库里，用特定的检索词进行系统的文献检索，还手动检索了相关文献的参考文献，确保没有遗漏。筛选出符合条件的文献后，用 EndNote 进行管理，仔细提取文献中的关键信息。接着，用纽卡斯尔 - 渥太华量表（Newcastle - Ottawa Scale，NOS）评估文献质量。然后，用 Stata 17.0 软件进行荟萃分析，筛选出关键风险因素，构建逻辑回归预测模型。最后，选取苏州大学附属儿童医院的 1007 例儿科 KD 病例作为验证集，用 R 4.1.3 软件和 SPSS 27.0 软件对模型进行验证和分析。
下面我们来看看具体的研究结果。
- 文献检索与筛选：研究人员在三个数据库里 “大海捞针”，一开始找到了 386 篇参考文献，后续又补充了 68 篇，去掉 325 篇重复的，还剩 70 篇。经过仔细筛选，排除不符合条件的文献后，最终留下 15 篇高质量文献进行分析。
- IVIG 抵抗风险因素的荟萃分析结果：在这 15 篇文献里，研究人员发现有 7 个风险因素被提及超过 3 次，而且合并效应量结果显著，分别是男性、中性粒细胞百分比≥80%、血小板计数≤300×10?/L、皮疹、年龄≤12 个月、颈部淋巴结肿大和病程≤4 天。不过，根据 2017 年美国心脏协会（American Heart Association，AHA）的指南，“治疗时间≤4 天” 不再适用于 IVIG 无反应性川崎病的风险因素，所以就把它排除了。
- 敏感性分析和发表偏倚：研究人员为了看看结果稳不稳定，进行了敏感性分析，每次排除一篇研究，结果发现合并效应量的点估计和区间估计差异都不显著。用 Egger 检验评估发表偏倚，也没有发现显著差异，这说明研究结果比较靠谱。
- KD 中 IVIG 抵抗预测模型的构建：研究人员从 2020 年 1 月到 2023 年 6 月，在苏州大学附属儿童医院找了 1007 例符合条件的 KD 患儿作为验证集。根据荟萃分析筛选出的风险因素，构建了最终的 Logistic 风险预测模型，模型里的变量分别代表男性、中性粒细胞≥80%、血小板计数≤300×10?/L、皮疹、年龄≤12 个月和颈部淋巴结肿大。
- KD 中 IVIG 抵抗预测模型的验证：经过验证，这个预测模型表现很棒！它的受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）达到了 0.845，最佳截断值是 23.5 分（总分 0 - 45 分），敏感性为 83.8%，特异性为 70.4%。Hosmer - Lemeshow 检验显示预测准确性很好，决策曲线分析（decision curve analysis，DCA）也表明这个模型的净效益很高。
在讨论部分，研究人员进一步分析了这个模型的意义和价值。和对 IVIG 敏感的孩子相比，IVIG 抵抗的川崎病患儿炎症更严重，CALs 发生率更高，住院时间更长，治疗费用也更多。之前构建的预测模型因为各种问题，效果不太理想。而这次研究人员通过系统评价和荟萃分析，把多个同质研究的数据整合起来，构建的风险预测模型样本量大，统计效能更高，结果更可靠。
研究确定的 6 个风险因素，像年龄≤12 个月、男性、中性粒细胞百分比≥80%、皮疹、颈部淋巴结肿大和血小板计数≤300×10?/L，和传统认知的风险因素相符。年龄小的患者不仅更容易对 IVIG 治疗产生抵抗，还更容易发展出 CALs。虽然有些因素因为不符合荟萃分析标准没被纳入，但也值得关注。血小板计数能在一定程度上反映全身炎症状态，中性粒细胞百分比在预测 IVIG 抵抗上虽然不同研究结果有差异，但这次研究发现中性粒细胞百分比≥80% 能预测 IVIG 抵抗。
当然，这项研究也有一些局限性。比如，模型是基于荟萃分析构建的，很难获取原始数据，逻辑回归模型的系数不是直接从原始数据得来的；只用了单中心的患者数据进行验证，代表性有限；研究队列的种族组成多样，但大部分文献来自东亚，存在一定的异质性。不过，这个模型的变量很容易获取，方便临床使用，还是有一定临床参考价值的。
总的来说，这项研究构建的 KD 中 IVIG 抵抗风险预测模型包含 6 个变量，评分越高，患者需要额外治疗的可能性就越大。这个模型预测效率高，能有效识别对 IVIG 无反应的患者，为早期发现高风险的川崎病患儿提供了有力支持，也为健康教育和制定个性化治疗策略提供了依据。虽然还有不足，但它就像一盏明灯，为后续的研究和临床实践照亮了方向，期待未来能有更完善的成果，帮助更多川崎病患儿恢复健康。
