编辑推荐：
肺炎严重威胁儿童健康，其中支原体肺炎（MP）引发的重症支原体肺炎（SMPP）发病率上升。研究人员开展基于可解释机器学习构建 SMPP 早期诊断模型的研究。结果显示构建的 SCRPT 模型诊断效能良好，S100A8/A9 可辅助诊断。这为 SMPP 早期诊断提供新工具。
在儿童健康领域，肺炎犹如一个隐匿的 “健康杀手”，时刻威胁着孩子们的生命安全。据世界卫生组织（WHO）统计，每年约有 740,000 名儿童因肺炎失去生命，肺炎已然成为全球五岁以下儿童死亡的主要原因之一。而在众多引发肺炎的病原体中，支原体肺炎（MP）因其独特的致病性和流行病学特征，备受关注。近年来，由 MP 感染导致的重症支原体肺炎（SMPP）发病率呈上升趋势，这一疾病不仅病程漫长、临床表现复杂，还容易引发坏死性肺炎、肺不张等肺部并发症，甚至会导致心肌、肝脏损伤等肺外症状，严重时可危及生命。
目前，SMPP 的诊断主要依赖影像学技术和临床体征，但由于其临床和影像学表现与病毒感染相似，且在不同患儿之间存在差异，这给及时、准确的诊断带来了极大挑战。传统的生物标志物，如白细胞计数（WBC）、C 反应蛋白（CRP）和降钙素原（PCT）等，也无法精准区分儿童肺部感染的严重程度。现有的一些评估系统，如儿科呼吸急诊严重程度评分（PRESS）、临床肺部感染评分（CPIS）等，因复杂、灵敏度低或特异性不足，并不适用于 SMPP 的评估。因此，迫切需要一种更有效的方法来早期诊断 SMPP，以改善患儿的预后。
为了解决这一难题，华中科技大学同济医学院附属武汉儿童医院的研究人员展开了深入研究。他们旨在利用机器学习算法构建一个强大的评估模型，为医护人员提供制定个性化治疗方案的有力工具，优化治疗策略。研究成果发表在《Respiratory Research》杂志上。
研究人员采用了一系列关键技术方法。首先，他们进行了一项前瞻性、开放标签、非盲的观察性研究，选取 2023 年 1 月至 2024 年 7 月在武汉儿童医院住院的 859 例社区获得性肺炎（CAP）患儿作为研究对象，根据病因检测结果进一步筛选出 597 例 MPP 患儿，并分为轻症和重症组。接着，收集患儿的人口统计学、临床症状、实验室指标和影像学等数据。然后，运用 Lasso 回归分析进行变量筛选，再使用 8 种机器学习算法构建模型。最后，通过内部验证、前瞻性验证以及 SHAP（Shapley Additive explanations）算法对模型进行评估和解释。
在研究结果方面，研究人员首先对数据进行分析，发现 537 例推导队列在性别、年龄和部分临床指标上与前瞻性队列无显著差异。通过对 70 项临床指标的分析，确定了 35 项在轻症和重症 MPP 患儿之间存在显著差异的指标，经过 Lasso 回归分析，最终纳入 23 个变量用于模型构建。
利用这 23 个变量，研究人员构建了 8 种不同的机器学习模型，包括 Light Gradient Boosting Machine（LightGBM）、Extreme Gradient Boosting（Xgboost）、Logistic Regression（Logistic）等。结果显示，LightGBM 模型在训练集和内部验证集中表现出色，AUC 值较高。通过 SHAP 值分析各指标的贡献度，发现 S100A8/A9、RBP、CT 等指标贡献较大，且 S100A8/A9 的贡献尤为突出。
为了使临床评估更便捷，研究人员进一步简化指标，构建了 SCRPT 模型。该模型选取了 S100A8/A9、RBP、CT、P-LCR 和 Treg 细胞计数这 5 个关键变量。SCRPT 模型在训练集、内部验证集和前瞻性验证集中均展现出良好的诊断性能，AUC 值均超过 80%。研究人员还创建了基于该模型的在线计算平台，方便医生和患者使用。
此外，研究人员对 S100A8/A9 进行了深入分析。发现血清 S100A8/A9 在不同年龄和性别患儿中分布无显著差异，但在重症 MPP 患儿中的表达水平明显高于轻症患儿。而且，其诊断效能优于常用的临床炎症指标，如 CRP、Ferritin 和 PCT。虽然 S100A8/A9 单独作为诊断指标时，在训练集和测试集上的效能低于 SCRPT 模型，但在资源有限的医疗环境中，仍具有重要的临床应用价值。
在研究结论和讨论部分，研究人员基于 8 种机器学习方法，成功构建了包含 S100A8/A9、CT、RBP、P-LCR 和 Treg 细胞这 5 个指标的 SCRPT 模型，该模型在不同数据集上均展现出良好的诊断效能，为 SMPP 的早期准确诊断提供了新的选择。S100A8/A9 在区分 MPP 严重程度方面表现优异，优于传统临床炎症指标，在不同医疗环境下都具有应用潜力。然而，该研究也存在一定局限性，如单中心回顾性队列研究可能存在设计偏倚，样本量较小可能影响模型准确性。未来需要多中心、大样本的研究进一步验证。总体而言，这项研究为儿童 SMPP 的早期诊断提供了创新的方法和思路，有望在临床实践中发挥重要作用，为儿童健康保驾护航。
