基于蛋白质尿动态变化的机器学习模型预测儿童特发性肾病综合征初始激素治疗反应及免疫抑制剂使用

来自23家医疗中心的研究人员针对儿童特发性肾病综合征(INS)预后预测难题，创新性地利用初始激素治疗期间尿蛋白肌酐比(UPCR)的时序变化特征构建机器学习模型。该研究成功预测了类固醇抵抗性肾病综合征(SRNS)和免疫抑制剂使用需求，其中SRNS预测模型的关键贡献因子为治疗终点UPCR值，而免疫抑制剂模型(AUC 0.715-0.759)则揭示年龄、血清白蛋白、总胆固醇及UPCR动态特征(近似熵、20-80百分位均值等)的预测价值，为个体化治疗决策提供了新工具。

　　

这项跨中心研究为儿科肾病领域带来了突破性进展。科研团队巧妙地将机器学习(ML)算法应用于儿童特发性肾病综合征(INS)的临床预测，重点关注初始激素治疗期间尿蛋白肌酐比(UPCR)的动态演变规律。通过分析329例SRNS患者和190例免疫抑制剂使用者的多维数据，研究团队构建了具有临床实用价值的预测模型。

在SRNS预测方面，模型敏锐地捕捉到治疗终点UPCR值的决定性作用——这个"终点哨兵"指标与其前序数值共同构成了预测网络的核心。而免疫抑制剂使用预测模型则展现出0.715-0.759的优异判别效能(AUC)，揭示出患者年龄、血清白蛋白、总胆固醇这些常规指标与UPCR动态参数(包括近似熵、百分位区间均值等)的协同预测价值。

这些发现为临床医生提供了重要启示：UPCR的时序变化轨迹犹如疾病演变的"分子指纹"，其动态特征比单次检测值更具预测价值。该研究不仅实现了治疗反应的早期预判，更开创了将时间序列分析融入儿科肾病精准医疗的新范式，为优化治疗策略提供了数据驱动的决策支持。