极早产儿住院时间延长的风险预测模型构建与验证：基于机器学习算法的临床决策工具

本研究针对极早产儿(VPI)住院时间延长(LOS)的临床预测难题，采用5种机器学习算法构建风险预测模型。通过开发队列(n=1,044)和外部验证，筛选出7个关键变量，最优逻辑回归(LR)模型AUC达0.773(95%CI:0.717-0.830)，校准曲线显示良好一致性，为临床早期风险干预提供量化工具。

　　

在新生儿重症监护领域，极早产儿(Very Preterm Infants, VPI)的住院时间管理一直是临床面临的重大挑战。随着围产医学技术进步，VPI存活率显著提升，但住院时间延长(Length of Stay, LOS)不仅增加医疗资源消耗，更与院内感染、发育障碍等不良结局密切相关。目前临床缺乏有效的早期预测工具，导致资源分配和干预时机把握存在盲目性。这一现状催生了针对LOS延长的精准预测需求。

为破解这一临床难题，研究人员开展了题为"Construction and Validation of a Risk Prediction Model for Prolonged Hospitalization of Very Premature Infants"的研究。该研究创新性地将机器学习算法引入VPI临床预测领域，通过多中心队列数据构建并验证了首个针对LOS延长的风险预测模型。研究成果发表在《Value in Health》期刊，为新生儿重症监护的精准决策提供了循证依据。

研究采用三步法技术路线：首先基于不同胎龄组第75百分位数定义LOS延长标准；其次将开发队列(n=1,044)按7:3比例随机分为训练集与测试集；最后应用逻辑回归(Logistic Regression, LR)、随机森林等5种算法建模，通过受试者工作特征曲线(ROC)、校准曲线和决策曲线分析(DCA)多维度评估模型性能。外部验证队列进一步验证模型的泛化能力。

在"Results"部分，研究揭示了三方面重要发现：1) 人群特征方面，开发队列中23.9%(n=250)的VPI发生LOS延长，凸显问题的普遍性；2) 模型构建方面，LR算法表现最优，内部验证AUC达0.773(95%CI:0.717-0.830)，准确率0.729，特异性0.782，召回率0.566，F1分数0.503；3) 验证结果方面，外部验证AUC为0.727(95%CI:0.674-0.780)，校准曲线显示除内部验证集存在轻微高估外，其他数据集均保持良好一致性。DCA证实模型在临床阈值概率范围内具有正向净收益。

"Conclusion"部分强调，该研究首次建立了VPI住院时间延长的多参数预测模型，其创新性体现在三方面：方法学上突破传统统计局限，采用机器学习处理复杂临床数据；临床上提供可量化的早期预警工具，支持个体化干预决策；实践上通过DCA验证了模型的临床适用性。研究填补了该领域预测模型的空白，为优化医疗资源配置、改善新生儿预后提供了新思路。未来研究可进一步扩大样本量，整合基因组学等新型生物标志物，持续提升模型预测精度。