基于多中心机器学习模型的儿童难治性肺炎支原体肺炎早期预测：外部验证与SHAP解释

《Scientific Reports》：Development and validation of an interpretable machine learning model for early prediction of refractory mycoplasma pneumoniae pneumonia: a multi-center study

　　

摘要

使用传统方法，早期预测儿童难治性肺炎支原体肺炎（RMPP）仍然具有挑战性。机器学习（ML）提供了一种有前景的方法，通过识别多维临床数据中的模式来改善风险分层。本研究旨在开发并外部验证一个可解释的机器学习模型，用于早期识别RMPP。这项多中心回顾性研究于2019年至2023年期间收集了四个医疗中心肺炎支原体肺炎（MPP）儿科患者的临床数据。以两个中心的数据作为推导队列，我们开发并比较了六个机器学习模型以预测难治性结局。通过区分度、校准度和决策曲线分析来评估模型性能。最优模型在两个独立队列中进行外部验证，并使用SHAP（SHapley Additive exPlanations）进行系统解释，以揭示个体水平和队列水平的风险驱动因素。分析共纳入四个中心的6,587名儿童：推导队列5,546名，两个外部验证队列分别为696名和345名。随机森林模型表现最佳，在未触及的内部保留测试集中的AUC为0.809。在两个外部队列中，模型的AUROC分别为0.774和0.807。在基线RMPP患病率不同的外部人群中发现校准漂移，局部截距重新校准改善了校准度。SHAP分析确定入院前发热持续时间、中性粒细胞百分比和年龄为主要预测因素。该经外部验证的机器学习模型在多个中心表现出强大的泛化能力，并为入院的MPP儿童提供了个体化风险评估。当应用于基线风险差异显著的人群时，可能需要局部重新校准。