编辑推荐：
为准确预测川崎病（KD）静脉注射免疫球蛋白（IVIG）抵抗，研究人员构建模型，发现关键预测指标，助力临床决策。
川崎病（Kawasaki disease，KD）是一种好发于幼儿的急性全身性血管炎，主要影响中等大小动脉，尤其是冠状动脉。在发达国家，它已成为儿童后天性心脏病的主要病因之一。大剂量静脉注射免疫球蛋白（intravenous immunoglobulin，IVIG）治疗虽能有效降低冠状动脉病变（Coronary artery lesions，CALs）的发生率，但仍有 10%-20% 的患者对 IVIG 治疗存在抵抗。而 IVIG 抵抗与 CALs 的发生密切相关，因此，准确识别 KD 患者中 IVIG 抵抗的高风险人群，对实施早期治疗策略、预防 CALs 的发展至关重要。
此前，虽然已有研究基于不同人群开发了 IVIG 抵抗的评分系统，但这些传统模型存在局限性。例如，基于日本人群开发的评分系统在其他人群中的适用性有限，而基于逻辑回归算法构建的模型，在处理输入特征与结果之间的非线性关系以及特征间的相互作用时，表现不佳。因此，开发更精准、普适性更强的预测模型迫在眉睫。
为解决这些问题，温州医科大学附属第二医院、育英儿童医院等多家机构的研究人员展开了深入研究。他们旨在开发一种基于机器学习的 KD 患者 IVIG 抵抗预测模型，并确定关键预测指标。相关研究成果发表在《iScience》杂志上。
研究人员在此次研究中，采用了多种关键技术方法。首先，他们利用温州医科大学附属育英儿童医院的 KD 数据库，收集了 2008 年 1 月至 2022 年 10 月期间符合条件的患者数据。之后，运用时间序列分割法，将数据集按 7:3 的比例分为训练集和测试集 。同时，采用支持向量机合成少数过采样技术（SVM-SMOTE）处理数据不平衡问题。研究人员使用了六种机器学习算法构建模型，并通过 5 折交叉验证优化超参数。利用 Shapley 加性解释（SHAP）方法对特征的重要性进行量化和排序，还用学习曲线评估样本量的充足性。
下面来看具体的研究结果：
- 患者的人口统计学和临床特征：研究人员从温州医院数据库中筛选出 1949 名儿童纳入机器学习集，其中 244 例（12.4%）为 IVIG 抵抗患者。数据集按时间序列分为训练集（1377 例患者，11.6% 为 IVIG 抵抗）和测试集（592 例患者，14.2% 为 IVIG 抵抗） 。此外，还纳入了绍兴医院和衢州医院的患者作为外部验证集。通过比较发现，温州医院患者的 IVIG 抵抗率数值上较高，且 IVIG 抵抗患者的炎症指标升高，与炎症负相关的指标水平较低，反映出更严重的炎症状态。
- 模型构建与评估：研究人员构建并验证了六种机器学习模型，其中随机森林模型表现最佳。在 5 折交叉验证中，其平均受试者工作特征曲线下面积（AUC）为 0.711；在测试集验证中，AUC 达到 0.751；在绍兴和衢州的外部验证集中，AUC 分别为 0.827 和 0.735 。尽管在外部验证中，轻量级梯度提升机（LGBM）模型的 AUC 在部分数据集上高于随机森林模型，但随机森林模型在内部和外部评估中表现更稳健、一致，因此被选用于后续分析。
- SHAP 特征分析：SHAP 分析显示，在测试集和外部验证集中，C 反应蛋白与白蛋白比值（CAR）、预后营养指数（PNI）和性别是预测 IVIG 抵抗的最重要特征。进一步的分层分析表明，无论男女，CAR 和 PNI 始终是影响 IVIG 抵抗的两个最重要预测指标。
- 样本量评估：通过学习曲线分析评估随机森林模型的样本量，结果表明当训练集达到 600 个样本时，AUC 随样本量增加显著上升，之后 AUC 波动较小，说明此时模型性能已有效稳定，样本量足够。
- 与先前预测模型的比较：研究人员将构建的随机森林模型与传统评分系统进行比较，结果显示随机森林模型（AUC=0.751 ）的预测能力显著优于以往的模型，如 Egami 模型（AUC =0.650）、Kobayashi 模型（AUC =0.646）等。
在研究结论与讨论部分，研究人员成功开发了一种基于机器学习的模型，用于预测 KD 患者的 IVIG 抵抗，且该模型表现出强大的预测能力。CAR、PNI 和性别被确定为 IVIG 抵抗的关键预测指标。该模型克服了传统评分系统的局限性，能有效处理特征间的复杂关系，提高预测准确性。尽管外部验证集规模较小，且需要前瞻性研究进一步验证模型性能，但该模型有望整合到电子健康记录系统中，为临床决策提供支持。若能纳入更多数据，如基因变异信息，将进一步提升模型的预测能力，为川崎病的临床治疗带来新的突破，帮助医生更精准地识别高风险患者，制定个性化治疗方案，降低冠状动脉病变的发生率，改善患者预后。
