基于XGBoost算法的闭合性脊柱裂患儿肾损伤预测模型开发与验证

苏州大学附属儿童医院团队针对闭合性脊柱裂(CSD)患儿肾损伤预测难题，开发了四种机器学习模型。研究发现XGBoost模型预测效能最佳(AUC=0.957)，通过SHAP分析揭示异常下尿路影像学表现、女性性别和高等级膀胱输尿管反流(VUR)是三大关键预测因子，为临床早期干预提供重要决策工具。

　　

在儿童先天性脊柱畸形领域，闭合性脊柱裂(CSD)导致的神经源性膀胱(NB)并发症始终是临床管理的难点。约80%的CSD患者伴随NB引发的下尿路功能障碍(LUT)，其中24%会在成年期发展为不同程度的肾功能损害。传统监测手段如二巯基丁二酸(DMSA)扫描存在辐射暴露风险，而视频尿动力学(VUDS)检查又具有侵入性，这使得早期识别高风险患者面临重大挑战。

苏州大学附属儿童医院放射科Yu He团队在《BMC Pediatrics》发表的研究，创新性地将机器学习(ML)技术应用于CSD患儿肾损伤预测。研究人员通过回顾性分析110例CSD患儿的临床数据，构建了包含逻辑回归(LR)、支持向量机(SVM)、决策树(DT)和极限梯度提升(XGBoost)四种算法的预测模型。研究采用递归特征消除(RFE)筛选出11个关键变量，通过SHAP值分析和局部可解释模型(LIME)实现模型可视化解读。

关键技术方法包括：1) 收集CSD患儿临床资料建立回顾性队列；2) 采用SMOTE算法处理数据不平衡问题；3) 通过10折交叉验证优化模型参数；4) 使用AUC、校准曲线和决策曲线分析(DCA)评估模型性能。研究团队特别强调膀胱壁厚度(BWT>3.3mm)、膀胱小梁形成等异常影像学指标的标准化测量，由两名经验丰富的超声医师采用盲法独立评估。

研究结果显示：

1. 模型比较：XGBoost模型展现出最优预测性能(AUC=0.957)，显著优于传统LR模型(AUC=0.846)。校准曲线显示其预测概率与实际观察值高度吻合(Brier评分最低)。

   

2. 特征重要性：SHAP分析揭示异常LUT影像表现(贡献度28.7%)、女性性别(19.3%)和高等级VUR(17.5%)构成三大核心预测因子。决策曲线证实该模型在临床阈值概率0.1-0.8区间均具有显著净收益。

   

3. 临床关联性：脊髓脂肪瘤患者肾损伤风险显著增高(50% vs 22.2%，p=0.012)，而清洁间歇导尿(CIC)联合抗胆碱能药物治疗可使风险降低45%。

讨论部分指出，该研究首次将ML技术应用于CSD相关肾损伤预测，其创新价值体现在：1) 证实非侵入性超声指标(膀胱小梁化)的预测价值优于传统尿动力学参数；2) 建立可解释的个体化风险评估工具，通过LIME算法实现病例级预测解读；3) 为临床分层管理提供依据——无VUR且膀胱形态正常者可避免常规DMSA检查。研究局限性包括单中心回顾性设计、样本量较小等，未来需通过多中心前瞻性研究进一步验证。

这项成果为儿童CSD的精准管理开辟了新途径，其构建的预测模型不仅有助于识别高风险患者进行强化干预，也能减少低风险患者不必要的侵入性检查，实现医疗资源的优化配置。该研究方法论对其它神经源性膀胱相关并发症的预测研究也具有重要借鉴意义。