基于机器学习的早产儿视网膜病变治疗需求预测模型的开发与验证

本研究针对早产儿视网膜病变(ROP)筛查中治疗需求预测的临床难题，由伊朗马什哈德医科大学团队开发了8种机器学习分类器（包括XGBoost、ANN等），利用9,692例婴儿的11项临床特征数据，最终实现96%的预测准确率，其中朴素贝叶斯(NB)模型展现出99%的敏感度。该研究为优化ROP筛查策略提供了AI决策支持工具，强调高敏感度模型对降低漏诊风险的关键价值。

　　

早产儿视网膜病变(ROP)是导致儿童不可逆视力障碍的主要病因，随着新生儿重症监护技术提升，极低出生体重儿存活率增加的同时，ROP发病率也呈上升趋势。全球每年约有120万早产儿面临ROP风险，而筛查资源分布不均、临床诊断标准差异等问题，使得精准识别需要治疗的病例成为重大挑战。传统筛查主要依赖经验性临床指标和耗时的人工眼底检查，如何通过客观数据预测治疗需求，成为优化医疗资源配置的关键科学问题。

马什哈德医科大学眼科医院的研究团队在《BMC Medical Informatics and Decision Making》发表研究，通过回顾性分析该院十年间9,692例筛查婴儿的临床数据，首次系统比较了8种机器学习算法在ROP治疗需求预测中的性能。研究创新性地将人口统计学特征（父母教育程度）与临床指标（出生体重、胎龄、ROP分期等）结合，利用SHAP可解释性分析揭示NICU住院时长、视网膜病变分区等关键预测因子。

研究采用三大技术方法：1) 基于RetCam眼底成像系统构建标准化临床数据库；2) 应用SMOTE/ADASYN算法处理数据不平衡问题；3) 通过5折交叉验证比较LR、DT、SVM、NB、KNN、XGBoost、ANN和RF模型的性能，重点评估敏感度与AUC-ROC指标。

研究结果
探索性数据分析
数据集显示婴儿平均出生胎龄32.70±2.52周，出生体重1812.11±501.40克。特征重要性分析确认NICU住院时长、出生胎龄和视网膜病变分区(Zone)为最强预测因子。

模型开发与评估
XGBoost和人工神经网络(ANN)达到最高准确率(96%)，但朴素贝叶斯(NB)模型展现出99%的敏感度，显著降低假阴性风险。支持向量机(SVM)和随机森林(RF)的AUC-ROC值最优(0.87)。

临床相关性分析
SHAP依赖图揭示出生胎龄<32周、视网膜Zone 1受累与治疗需求呈强正相关。决策树模型可视化显示，当ROP分期≥2且合并Plus病时，治疗概率提升至83%。

讨论与结论
该研究突破性地证明，非影像学临床数据通过机器学习可有效预测ROP治疗需求。虽然XGBoost/ANN模型整体准确率最高，但从临床实践角度，研究者强调应优先选择NB或SVM等高敏感度模型（敏感度>90%），因其能将漏诊风险降至1%以下。研究同时指出当前模型的局限性：单中心数据可能影响泛化性，且未纳入氧疗时长等关键协变量。

这项成果为ROP筛查提供了可嵌入电子病历系统的决策支持工具，其临床意义体现在三方面：1) 通过风险分层减少低风险婴儿的不必要检查；2) 优化随访间隔分配医疗资源；3) 为资源匮乏地区提供低成本筛查方案。作者团队特别强调，AI模型应作为临床判断的"增强工具"而非替代方案，最终治疗决策仍需结合医师的综合评估。未来研究需通过多中心验证和实时预后反馈，进一步提升模型的临床应用价值。