预测舌下免疫疗法在过敏性鼻炎中的疗效

《BMC Pulmonary Medicine》：Predicting sublingual immunotherapy efficacy in allergic rhinitis

　　

摘要

背景

舌下免疫疗法（SLIT）对过敏性鼻炎（AR）的疗效差异很大，约有30%–40%的患者反应不佳。目前仍缺乏一种能够整合多维度因素以进行个性化疗效预测的可靠工具。本研究旨在构建一个最佳预测模型，该模型结合了临床特征、环境暴露因素和免疫炎症指标，以预测AR患者的SLIT疗效，并进一步开发出一个诺模图（nomogram），作为辅助工具以便于临床应用。

材料与方法

共有346名接受SLIT治疗的AR患者被纳入研究，按7:3的比例随机分配到训练组（n=242）和验证组（n=104）。基线数据包括人口统计学信息、临床特征、症状评分、环境暴露情况以及免疫炎症指标。通过单变量和多变量逻辑回归分析筛选出独立的预测因素。开发了三种模型进行性能比较，包括随机森林模型、支持向量机模型和传统逻辑回归模型。模型性能通过接收者操作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）进行评估。基于这些独立预测因素，构建了一个诺模图以便于直观解读。此外，还应用了Shapley加性解释（SHAP）分析来解释最优模型的特征重要性。

结果

多变量逻辑回归分析确认了以下七个变量是AR患者SLIT疗效的独立预测因素：疾病持续时间、基线症状评分、基线用药评分、空调使用时间、特异性免疫球蛋白E/总免疫球蛋白E（sIgE/tIgE）比值、白细胞介素（IL）-4和IL-10（所有P<0.05）。随机森林模型表现出最佳的预测性能，而基于这些预测因素构建的诺模图在训练组的AUC为0.757（95% CI：0.676–0.837），在验证组的AUC为0.729（95% CI：0.596–0.862），其疗效优于支持向量机模型（AUC=0.739）和传统逻辑回归模型（AUC=0.709）。校准曲线显示诺模图预测的概率与实际风险之间有良好的一致性。DCA分析表明，该模型在广泛的阈值概率范围内提供了较高的临床净收益。SHAP分析指出，疾病持续时间、sIgE/tIgE比值和基线用药评分是影响模型预测的三个最重要因素。

结论

所开发的随机森林模型在预测SLIT疗效方面具有良好的区分能力、校准性能和临床实用性。相应的诺模图进一步实现了直观的个性化临床评估，为AR患者的SLIT治疗决策提供了定量依据。