机器学习助力儿童重症支原体肺炎诊断与风险预测

为解决儿童重症支原体肺炎（SMPP）诊断难题，研究人员构建相关模型，结果显示模型性能良好，意义重大。

　　在儿科疾病领域，儿童支原体肺炎（MPP）是一种常见的呼吸道疾病，由肺炎支原体（MP）感染引起。近年来，重症支原体肺炎（SMPP）的发病率逐渐上升，从 2006 年的 0.7% 增至 2016 年的 35% 。SMPP 的早期肺部表现特异性差，难以与其他病原体导致的肺损伤区分，而且目前缺乏统一明确的诊断标准。同时，随着大环内酯类药物在儿童中的广泛应用，耐药 MP 菌株日益常见，精准预测和识别 SMPP 对降低死亡率、减少并发症、改善预后至关重要。此外，SMPP 还可能引发心脏、肝脏等肺外并发症，却缺乏有效预测手段。因此，开展针对 SMPP 早期识别和器官损伤风险预测的研究迫在眉睫。

吉林大学第一医院和梅河口市中心医院的研究人员为解决上述问题，开展了一项多中心观察性回顾性研究。研究成果发表在《Scientific Reports》上，为 SMPP 的临床诊疗提供了有力支持。

研究人员采用了多种关键技术方法。首先，从两所医院收集病例构建样本队列，Cohort 1 用于构建区分 SMPP 与其他呼吸道疾病的鉴别诊断模型并进行内部验证；Cohort 2 用于预测 SMPP 肺外器官损伤类型，同样进行内部验证；Cohort 3 则来自另一所医院，用于对前两个队列构建的模型进行外部验证。其次，对收集的临床数据和实验室检测结果进行清洗、标准化和处理不平衡数据集等操作。然后，运用 5 种机器学习算法（极端梯度提升（XGBoost）、逻辑回归（LR）、轻量级梯度提升机（LightGBM）、K 近邻（KNN）和随机森林（RF））构建模型，通过 5 折交叉验证筛选出最佳算法和模型 。

研究结果如下：

1. 队列基本特征：Cohort 1 中 SMPP 患者和其他呼吸道疾病患者在年龄、性别和部分实验室指标上存在显著差异；Cohort 2 中，心肌损伤、肝损伤和无损伤的 SMPP 患者在 CK-MB、ALT 等指标上差异显著；Cohort 3 中，SMPP 患者与其他呼吸道疾病患者以及 SMPP 各亚组之间在多个指标上均有显著差异。
2. 诊断模型 1 的建立：通过 LASSO 回归筛选特征变量，5 种机器学习算法进行 5 折交叉验证，结果显示 LightGBM 算法表现最佳（AUC_ROC=0.975），其建立的模型 1 对 SMPP 和其他呼吸道疾病具有优秀的鉴别诊断能力（AUC_ROC=0.975，sensitivity =0.739，specificity =0.993） 。模型 1 中，PTA、PT 等 10 个特征重要性较高。
3. 分类模型 2 的建立：在 Cohort 2 中，经相关性分析、特征变量选择后，基于 ALT、CK-MB 等指标，5 种机器学习算法对比，LightGBM 模型在区分 SMPP 患者三个亚组时表现出色（accuracy =0.814）。ALT 和 CK-MB 是影响模型输出的关键因素，ALT 与肝损伤相关，CK-MB 与心肌损伤相关。
4. 外部验证：以 Cohort 3 为外部验证集，模型 1 的 AUC_ROC为 0.884（95% CI，0.860 - 0.909），敏感性为 0.769，特异性为 0.831 ，显示出稳定且优秀的 SMPP 鉴别诊断能力。模型 2 的整体诊断准确率为 74.9%，对不同类型器官损伤的诊断具有一定准确性。

研究结论和讨论部分指出，基于机器学习算法构建的模型在 SMPP 的鉴别诊断和器官损伤风险预测方面表现良好。与传统诊断模型相比，本研究的模型性能更优，例如 Chang 等人开发的预测儿童 SMPP 的列线图模型 AUC 仅为 0.777 。研究还发现年龄、LDH、CRP 等指标与 SMPP 密切相关，凝血指标在 SMPP 诊断中也具有重要意义。同时，研究也存在一定局限性，如研究队列同质性较高，无法展示多种机器学习模型的集成学习效果等。但总体而言，该研究为 SMPP 的临床诊断和治疗提供了重要参考，基于实验室参数的机器学习算法能够为 SMPP 的诊疗提供更清晰的决策指导，值得进一步开展临床研究和推广应用。