基于机器学习模型的腹型无紫癜IgA血管炎与阑尾炎鉴别诊断研究

为解决腹型无紫癜IgA血管炎(IgAVNP)与急性单纯性阑尾炎(AUA)临床鉴别难题，研究人员通过回顾性分析702例患儿数据，利用LASSO回归筛选关键变量并构建8种机器学习模型。结果显示，逻辑回归(LR)模型表现最优（测试集AUC=0.942），其开发的列线图工具为临床决策提供可视化支持，显著提升鉴别诊断精度。

　　

这项突破性研究揭示了机器学习在儿科疑难病症鉴别中的强大潜力。针对腹型无紫癜IgA血管炎(Immunoglobulin A vasculitis without purpura, IgAVNP)与急性单纯性阑尾炎(Acute uncomplicated appendicitis, AUA)的"症状重叠困境"，研究团队对2011-2020年间702名2-14岁患儿展开多中心回顾性分析。

通过LASSO（Least Absolute Shrinkage and Selection Operator）回归这把"智能筛子"，科研人员精准锁定六大黄金指标：便秘、乏力、便血(hematochezia)三大临床症状，以及血小板计数(PLT)、白蛋白(ALB)、天冬氨酸氨基转移酶(AST)三项实验室指标。

在八种机器学习模型的"同台竞技"中，逻辑回归(Logistic Regression, LR)展现出"诊断王者"风范——测试集曲线下面积(AUC)高达0.942，Brier评分(BS)仅0.0680，意味着每100次诊断中准确率超过94次。特别值得注意的是，该模型在2021-2024年独立验证集中表现依然稳健（AUC=0.942），其开发的列线图(nomogram)如同"诊断计算器"，可直观量化患病风险。

这项研究为临床医生提供了"AI听诊器"，有效避免不必要的手术探查。研究揭示的便秘-血小板-白蛋白"三联征"机制，为深入探索IgAVNP发病机理开辟了新思路。