编辑推荐：
为解决治疗性低温（TH）新生儿急性肾损伤（AKI）和生存结局预测难题，研究人员开展基于机器学习（ML）的多中心研究，纳入 1149 例 TH 治疗新生儿脑病（NE）患儿及 801 例对照。XGBoost 模型 AUC 达 95%，为精准诊疗提供新工具。
新生儿降临人世的第一周，对一些因缺氧缺血遭遇新生儿脑病（NE）的宝宝来说，如同经历一场生命的 “暴风雪”。这类患儿不仅面临神经系统损伤，急性肾损伤（AKI）更是如影随形，30%-60% 的 NE 患儿会出现 AKI，而 AKI 又与死亡率升高、神经认知后遗症等紧密相连。然而，传统的 KDIGO 标准在新生儿 AKI 诊断中困难重重：出生时血清肌酐（sCr）受母体影响本就偏高，尿量测量在新生儿早期也并不准确，导致临床难以快速精准判断病情。如何在治疗性低温（TH）这一 NE 标准治疗手段实施期间，提前预测患儿的 AKI 发生风险与生存结局，成为困扰新生儿科医生的难题。
来自美国西北大学、比利时鲁汶大学等机构的研究团队，瞄准这一临床痛点，开展了一项具有里程碑意义的研究。他们基于多中心、跨国的临床数据，构建了首个专门用于预测 TH 治疗 NE 新生儿 AKI 和生存结局的机器学习模型。这项成果发表在《Scientific Reports》，为新生儿危重症的精准管理打开了新的窗口。
研究人员整合了 8 个 TH 治疗 NE 新生儿队列（1149 例）及 1 个非 NE 对照队列（801 例）的数据，纳入的关键变量包括胎龄（GA）、出生体重（BW）、生后年龄（PNA）及生后 10 天内的血清肌酐值。研究采用多种机器学习算法，最终发现 XGBoost 模型表现最为优异。该模型通过 10 折交叉验证，预测 AKI 和生存结局的曲线下面积（AUC）高达 95%，准确率达 75.08%，显著优于逻辑回归、随机森林等其他算法（准确率 54%-65%）。
研究结果
- 模型性能验证：在对比单一分类器与分层分类器时发现，XGBoost 单一分类器在精准率（0.835）和 F1 分数（0.809）上表现更优，尤其对存活伴 AKI 的患儿分类效果最佳。尽管对无 AKI 死亡患儿的召回率较低（0.505），但整体混淆矩阵显示，模型对存活伴 AKI、死亡伴 AKI 等关键结局的正确预测率超 75%。
- 特征重要性分析：血清肌酐值及其与生后年龄的交互作用是模型决策的核心特征。研究发现，AKI 组患儿血清肌酐在生后 10 天内维持较高水平且趋于稳定，而非 AKI 组则呈下降趋势，这种差异在生后早期即显现，印证了肌酐动态变化对 AKI 的预测价值。
- 临床工具开发：研究团队公开了模型代码及用户界面（https://github.com/NUBagciLab/Therapeutic-Hypothermia-Outcome-Classification，https://thprediction.streamlit.app/）。临床医生输入患儿胎龄、出生体重、生后 3 天内的年龄及肌酐值，即可获得五种结局（存活无 AKI、存活伴 AKI、死亡无 AKI、死亡伴 AKI、非 NE 对照）的概率预测，为个体化治疗提供依据。
研究结论与讨论
这项研究首次利用多中心数据构建了 TH 治疗 NE 新生儿的结局预测模型，突破了传统生物标志物的局限性。XGBoost 模型通过捕捉肌酐、胎龄等变量的非线性交互作用，实现了对 AKI 和生存结局的早期精准预测，其 AUC 值（95%）远超现有尿液生物标志物（如 NGAL 的 AUC 为 0.86）。尽管研究存在数据不平衡、未纳入脑损伤严重程度等局限，但为临床提供了首个可在生后 3 天内辅助决策的工具，有助于医生及时调整药物剂量（如肾清除药物的用药方案）、启动肾脏保护措施，从而改善患儿预后。
随着人工智能在医疗领域的深入应用，该模型不仅为新生儿脑病的多器官损伤管理提供了新范式，更彰显了机器学习在破解临床复杂问题中的潜力。未来，若能整合更多维度的临床数据（如炎症标志物、复苏细节），并结合深度学习进一步挖掘时间序列数据的价值，有望推动新生儿危重症诊疗迈向更高水平。
