重组人生长激素(rhGH)治疗儿童生长障碍的疗效预测模型构建与评估：基于机器学习的精准医疗新策略

为解决儿童生长障碍患者接受重组人生长激素(rhGH)治疗时疗效差异大的临床难题，温州医科大学附属医院团队通过机器学习构建了包含551例患者的预测模型。研究采用随机森林和MLP算法，以年龄、骨龄差(BA-CA)、身高标准差评分(HSDS)等为核心变量，实现AUROC达0.9114的预测精度，为个体化治疗决策提供量化工具。该成果发表于《BMC Endocrine Disorders》，推动生长激素治疗进入精准预测时代。

　　

在儿科内分泌领域，生长激素缺乏症(GHD)和特发性矮小症(ISS)等生长障碍疾病长期困扰着全球约3%的儿童群体。自1985年重组人生长激素(rhGH)获批临床应用以来，虽然该疗法已成为改善患儿终身高的标准方案，但临床实践中存在显著疗效差异——约45%患者治疗12个月后身高标准差评分(△HSDS)提升不足0.5。这种"治疗黑箱"现象导致医疗资源浪费和家庭经济负担加重，凸显建立早期疗效预测体系的紧迫性。

温州医科大学附属医院的研究团队在《BMC Endocrine Disorders》发表创新研究，通过机器学习技术破解这一临床难题。研究人员收集了786例3-15岁接受rhGH治疗的患儿数据，创新性地构建六种预测模型对比分析。研究采用严格的多中心回顾性队列设计，数据涵盖基线年龄、骨龄差(BA-CA)、胰岛素样生长因子-1(IGF-1)等11项临床指标，通过7:3比例划分训练集与测试集。关键技术包括：1)采用Lasso回归进行特征选择；2)运用网格搜索优化随机森林等算法的超参数；3)通过10折交叉验证确保模型稳健性；4)创新性引入AUPRC(精确召回曲线下面积)评估指标。

研究结果部分呈现三大核心发现：

基线特征分析
队列中特发性矮小症(ISS)占比91.1%，生长激素缺乏症(GHD)占6.6%。响应组(△HSDS≥0.5)平均年龄显著低于无响应组(9.18±2.79岁 vs 11.20±1.87岁，P<0.001)，且基线HSDS更低(-1.61±0.92 vs -0.50±1.03)，印证年轻患儿骨骼生长潜力更大的临床规律。

模型性能比较
随机森林模型表现最优，测试集AUROC达0.9114，AUPRC为0.8825。多层感知器(MLP)则在分类指标上领先，准确率84.68%，F1分数0.8246。传统逻辑回归模型虽可解释性强(AUROC 0.9012)，但复杂模型显示出更优的预测效能。

关键预测因子
特征重要性分析揭示：1)年龄(重要性32.92)是最强预测因子；2)骨龄延迟(BA-CA)与疗效正相关(OR=0.709)；3)决策树首次量化HSDS≥-0.72为疗效分界点；4)体重标准差评分(WSDS)和体质量指数标准差评分(BSDS)新晋为重要预测指标。

讨论部分强调，该研究首次系统比较多种机器学习算法在rhGH疗效预测中的表现。随机森林模型兼顾精度与稳定性，其构建的决策规则可直接指导临床实践——如对基线HSDS<-0.72且骨龄延迟>1.5年的患儿建议优先治疗。值得注意的是，虽然MLP模型表现优异，但其"黑箱"特性可能限制临床转化，这提示未来研究需平衡模型复杂度与可解释性。

该研究的临床价值在于：1)建立首个中国儿童rhGH疗效预测体系；2)量化关键预测因子的决策阈值；3)为医保控费提供科学依据。团队建议下一步开展多中心前瞻性验证，并整合基因组学数据提升预测精度。这项研究标志着生长激素治疗从经验医学迈向数据驱动的精准医疗新时代，为全球4,000万生长障碍患儿带来个性化治疗曙光。