机器学习预测IgE介导食物过敏风险及其对儿童生长的影响：一项生物信息学分析

本研究针对IgE介导食物过敏(IgE-FA)患儿生长迟缓难题，通过机器学习模型分析130例0-3岁患儿数据，发现出生体重、家族过敏史和早期抗生素暴露是主要风险因素（OR=2.77），构建的预测模型AUC达0.78。创新性揭示体重是评估生长追赶的关键指标，为临床营养管理提供量化工具。

　　

食物过敏正成为全球公共卫生新挑战，欧美国家约10%儿童受其困扰，中国2019年发病率较20年前激增3倍。当鸡蛋、牛奶等营养密集型食物变成"健康杀手"，严格的饮食回避治疗就像一把双刃剑——虽然能控制过敏症状，却可能导致儿童生长曲线"断崖式下跌"。更棘手的是，当前诊断金标准双盲安慰剂对照食物激发试验(DBPCFC)存在诱发严重过敏反应风险，而常规血清IgE检测又因需要采血让家长望而却步。如何破解这个诊断与治疗的双重困境？

温州医科大学附属第二医院暨育英儿童医院的研究团队独辟蹊径，将机器学习算法引入过敏研究领域。他们招募195名0-3岁婴幼儿（其中130例IgE-FA患者，65例健康对照），通过生物信息学分析构建出两个预测模型：一个用于早期识别IgE-FA高风险儿童，另一个则预测治疗后生长追赶效果。这项开创性研究发表在《World Allergy Organization Journal》上，为儿童过敏防治提供了智能决策新工具。

研究采用三大关键技术：1) 基于WHO生长标准的Z评分系统量化生长指标；2) 机器学习算法（包括Lasso回归、Boruta特征选择）处理小样本多变量数据；3) 通过决策曲线分析(DCA)和受试者工作特征曲线(ROC)验证模型效能。所有患儿均经UniCAP^?系统检测sIgE≥0.35 kU_A/L确诊，并完成6个月随访监测生长参数。

在风险因素方面，模型揭示：出生体重每增加1kg，过敏风险上升18%；父亲有过敏史使风险骤增8.5倍；生命早期使用抗生素（尤其是静脉给药）将风险提高2.77倍。令人惊讶的是，剖宫产率在两组间无差异，但抗生素预防用药可能通过破坏肠道菌群间接导致过敏。

生长追赶分析呈现三个关键发现：1) 治疗前体重Z评分(WAZ)<-1的患儿，治疗后身高、体重、BMI追赶失败风险增加3.2倍；2) 牛奶过敏主要影响体重恢复，而鸡蛋过敏则阻碍BMI增长；3) 农村患儿追赶成功率比城市患儿低41%，凸显医疗资源分布不均的影响。

讨论部分指出，该研究首次证实体重是IgE-FA管理的"风向标"：高出生体重是预警信号，而治疗期体重下降则预示全面生长障碍。尽管饮食回避治疗可能造成19.1%的能量缺口，但针对性回避鸡蛋可使BMI追赶成功率提升35%。作者建议：对高风险儿童应在6月龄前启动体重监测，城市医院可推广预测模型，而农村地区可将体重变化作为简易筛查指标。

这项研究的创新点在于将机器学习与传统临床指标结合，破解了过敏诊断中的"采血困境"。建立的nomogram预测工具临床获益率达92%，特别适合基层医疗机构使用。未来研究可探索肠道菌群移植等干预措施，或许能从根本上改变"过敏-营养不良"的恶性循环。正如研究者强调："体重秤上的数字，可能是打开儿童过敏防治之门的金钥匙。"