机器学习预测儿童免疫性血小板减少症（ITP）中重度出血风险：开拓精准诊疗新路径

当前儿童免疫性血小板减少症（ITP）临床诊疗常依赖血小板计数，忽视出血表现，且缺乏适用儿童的风险预测模型。研究人员开展前瞻性研究，对比 7 种机器学习算法，发现 XGBoost 模型预测性能最佳，有助于识别高风险 ITP 患儿，辅助临床决策。

　　本研究旨在开发并验证儿童免疫性血小板减少症（ITP）中重度出血的风险预测模型。前瞻性收集 286 例 ITP 患者的数据，并随机分为训练集（80%）和测试集（20%）。采用最小绝对收缩和选择算子（LASSO）回归进行特征选择。在七种机器学习算法中，极端梯度提升（XGBoost）模型表现最佳（AUC = 0.886，95% CI：0.790 - 0.982），被选为最优模型。通过 Shapley 可加解释（SHAP）对模型进行解释，确定儿童年龄、诊断时年龄和初始血小板计数是中重度出血风险的关键预测因素。结论：基于 XGBoost 的预测模型具有强大的预测性能，可帮助医疗保健人员识别高风险的 ITP 患者，支持合理的临床决策。试验注册号：ChiCTR2100054216，2021 年 12 月 11 日