基于机器学习的可解释性预测模型：静脉注射免疫球蛋白耐药性在川崎病中的早期识别与临床应用

本研究针对川崎病(KD)患者静脉注射免疫球蛋白(IVIG)耐药性预测难题，开发了基于随机森林(RF)算法的可解释性机器学习模型。研究人员通过分析463例患儿临床数据，筛选出糖皮质激素使用、肌酸激酶(CK)等10个关键预测因子，构建AUC达0.78的预测系统，并开发实时风险评估网络工具。该研究为个体化治疗决策提供了重要依据，显著提升了非日本人群IVIG耐药预测准确性。

　　

川崎病作为儿童获得性心脏病的主要病因，其标准治疗方案静脉注射免疫球蛋白(IVIG)面临着10-20%耐药率的严峻挑战。耐药患者发生冠状动脉并发症的风险显著增加，但现有预测模型存在种群特异性局限和"黑箱"问题。福州大学附属省立医院的研究团队通过创新性整合机器学习与可解释性分析，开发出适用于中国东南部人群的精准预测工具，相关成果发表于《Italian Journal of Pediatrics》。

研究团队采用13种机器学习算法分析2012-2024年间463例KD患儿的临床数据。通过SHapley Additive exPlanations(SHAP)技术识别关键特征，最终建立包含10个参数的随机森林(RF)模型。主要技术方法包括：1)采用ROSE算法处理数据不平衡问题；2)基于PROBAST工具评估模型偏倚风险；3)开发网络化临床决策支持系统。

【基线临床特征】IVIG耐药组(n=44)与敏感组(n=419)比较显示：耐药患者中性粒细胞计数(Neu)显著升高(8.58 vs 6.23×10⁹
/L)，嗜酸性粒细胞百分比(Eos)降低(1.15% vs 2.30%)，血清白蛋白(ALB)更低(34.9 vs 37.5 g/L)，尿素氮(BUN)更高(3.36 vs 2.71 mmol/L)。男性患儿对IVIG更敏感(69.7% vs 52.3%)。

【模型性能】在13种算法中，AdaBoost初始表现最佳(AUC=0.80)，但RF模型(0.78)因更好的临床可解释性被选为最终模型。特征选择过程中，10参数版本在保持性能的同时显著简化模型(DeLong检验P=0.639)。关键预测因子依次为：糖皮质激素使用、CK、Eos、葡萄糖(Glu)、CKMB、γ-谷氨酰转移酶(GGT)、肌酐(Cr)、Neu、年龄和C反应蛋白(CRP)。

【模型解释】SHAP分析揭示：当Neu≥10.29×10⁹
/L或CRP≥67.4 mg/L时预测耐药风险增加；年龄>48个月或Glu≥6.65 mmol/L则预示治疗敏感。值得注意的是，糖皮质激素使用显示保护性效应，与临床经验一致。

【临床应用】部署的网络工具(https://milailai.shinyapps.io/data1/)采用16.9%作为干预阈值，实现快速风险分层。该工具在测试集表现优异：敏感性0.85，特异性0.54，阴性预测值(NPV)达0.97，能有效识别需强化治疗的高危患者。

这项研究通过创新性地结合机器学习与临床可解释性技术，解决了传统预测模型在中国人群中的适用性问题。虽然存在单中心回顾性研究的局限性，但该模型为KD精准治疗提供了重要工具。特别值得注意的是，研究首次系统验证了GGT和Eos等非传统指标在IVIG耐药预测中的价值，为发病机制研究提供了新线索。未来通过多中心验证和影像学特征整合，有望进一步提升模型的临床应用价值。