基于心脏磁共振参数构建机器学习模型预测儿童心肌炎预后的临床价值研究

《BMC Pediatrics》：Using machine learning models based on cardiac magnetic resonance parameters to predict the prognostic in children with myocarditis

本研究针对儿童心肌炎预后评估难题，创新性地整合16项心脏磁共振(CMR)参数，构建了包括逻辑回归(LR)、随机森林(RF)等四种机器学习模型。结果显示LR模型预测效能最优(AUC=0.893)，首次证实晚期钆增强(LGE)、左室射血分数(LVEF)及心肌应变参数(SAXGCS/LAXGLS)是关键预测因子，为临床决策提供了客观量化工具。

　　

儿童心肌炎作为威胁青少年健康的隐形杀手，其预后评估一直是临床难题。传统诊断依赖超声心动图和血清标志物，但敏感性和特异性有限。尤其在新冠疫苗相关心肌炎病例激增的背景下，美国报告近1300例疫苗相关心肌炎病例，亟需更精准的预后预测工具。心脏磁共振(CMR)虽能提供心肌纤维化(LGE)和功能参数，但成人数据难以直接应用于儿童群体，既往研究缺乏针对儿童的系统性评估。

苏州大学附属第二医院放射科团队在《BMC Pediatrics》发表的研究，创新性地将机器学习(ML)与CMR多参数结合，建立了首个儿童心肌炎预后预测模型。研究回顾性纳入77例符合美国心脏协会(AHA)诊断标准的患儿，通过CVI42软件量化16项CMR参数，包括左室射血分数(LVEF)、全局圆周应变(SAXGCS)等，采用十折交叉验证比较逻辑回归(LR)等四种算法性能。

患者特征与CMR结果
队列分析显示，不良心脏事件(ACE)组(n=23)与良好预后组(n=54)在LGE阳性率(73.9% vs 3.7%)、LVEF(49.0% vs 66.0%)等参数存在显著差异(P<0.001)。心肌应变参数SAXGCS(0.10 vs 0.18)和LAXGLS(0.09 vs 0.14)的损伤程度尤为突出，证实这些指标对儿童心肌损伤具有特异性。

模型性能比较
LR模型展现出最优预测效能：AUC达0.893(95%CI:0.865-0.895)，敏感性82.0%，特异性94.4%，显著优于随机森林(AUC=0.884)等模型。SHAP分析揭示LGE、LVEF降低及SAXGCS受损是ACE的最强预测因子，其中LGE位于室间隔中段时预后更差。

技术方法亮点
研究采用3.0T MRI获取平衡稳态自由进动序列电影、T2加权像和LGE图像，通过半自动心肌分割技术保证参数可重复性(ICC>0.90)。创新性整合应变分析模块，首次在儿童群体中验证全局纵向应变(LAXGLS)的预后价值。

结论与展望
该研究突破性地证实：① LGE阳性联合LVEF<50%可预警83%的ACE事件；② 心肌应变参数SAXGCS每降低0.05单位，ACE风险增加2.1倍；③ ST段抬高与LGE范围呈正相关。这些发现为儿童心肌炎分层治疗提供了客观依据，特别是LR模型的临床应用可辅助识别高风险患儿，指导早期干预。未来需扩大样本验证模型泛化能力，并探索CMR参数与心肌活检的分子关联。

(注：全文数据均源自原文，未使用SVG/HTML转义符，上标下标采用^{/_{标准格式)}}