机器学习模型预测献血后铁恢复状态：一项跨国开发与验证研究

本研究针对献血者铁缺乏管理难题，开发了基于机器学习(ML)的预测模型，利用常规采集的基线数据（包括血红蛋白(Hb)、铁蛋白(ferritin)等）预测献血者再次献血时的Hb和ferritin水平。通过美国RISE队列训练模型，并在美、荷、南非三国的11万至51万例献血数据中验证，结果显示Hb预测误差(RMSPE)增幅≤8%，ferritin预测在含基线ferritin数据时误差仅增28%。该模型为个性化献血间隔制定提供工具，有望平衡血液供应与捐赠者铁健康。

　　

血液捐赠是医疗系统的重要支撑，但反复献血可能导致捐赠者铁储备耗竭。尽管现行标准通过指尖血红蛋白(Hb)检测筛选合格捐赠者，但Hb无法准确反映铁储存状态——许多铁缺乏者仍能通过Hb筛查。铁蛋白(ferritin)虽是更可靠的指标，却因缺乏即时检测技术难以普及。这种矛盾导致两大问题：一是捐赠者可能因未被识别的铁缺乏出现疲劳、认知功能下降等健康风险；二是血液机构为保障捐赠者安全设置的Hb deferral（暂缓献血）标准可能过度限制合格捐赠者，影响血液供应。

为破解这一难题，McGill大学等机构的研究团队在《The Lancet Haematology》发表研究，首次开发并跨国验证了直接预测献血者Hb和ferritin水平的机器学习(ML)模型。区别于既往仅预测"是否低于阈值"的研究，该模型能动态量化铁恢复状态，为个性化管理提供可能。

研究采用三阶段技术路线：首先利用美国RISE队列（2425名捐赠者）训练模型，输入变量包括捐赠间隔、历史记录、人口统计学特征及基线Hb/ferritin；随后通过交叉验证选择最优模型；最终在美、荷、南非的11万-51万例操作数据中验证。模型分为两类：仅用基线Hb的"Hb-only"模型和同时使用Hb/ferritin的复合模型。

研究结果

模型性能稳定性
在训练队列中，预测返捐Hb的误差(RMSPE)为6.78%，且无论是否含基线ferritin数据均表现一致。跨国验证显示，外部数据集的误差增幅始终≤8%，证明模型对政策、人种差异具有强适应性。

铁蛋白预测的依赖性
ferritin预测显著依赖基线数据：含基线ferritin时误差仅14.9%，而Hb-only模型误差达27.4%。南非队列出现28%的误差增幅，可能与当地捐赠者铁代谢特性相关。

人口学因素影响
亚组分析未发现性别、年龄等导致的系统性偏差，但女性捐赠者占比过高（RISE达77%）可能反映临床更关注女性铁缺乏风险。

讨论与意义
该研究突破性地实现了铁生物标志物的直接预测，其价值体现在三方面：

1. 临床实用性：模型仅需常规采集变量，可适配各国不同Hb deferral标准，南非等资源有限地区亦能应用。
2. 供应优化：通过预测ferritin恢复状态，既能避免采集铁储备不足的血液，又可减少非必要Hb deferral，估计可使合格捐赠率提升10%。
3. 方法学创新：首次证实ML模型在跨国铁管理中的普适性，为其他生物标志物预测研究提供范式。

研究局限性在于南非队列的ferritin预测误差较高，未来需纳入更多种族特异性数据。随着即时ferritin检测技术的发展，结合该模型有望实现"检测-预测-干预"的闭环管理，重塑全球血液捐赠安全标准。