极低出生体重早产儿的神经发育结局：一项包括超声脑体积轨迹的探索性多变量分析——来自NeoNEVS项目数据

《Children》：Neurodevelopmental Outcome in Very Low Birth Weight Preterm Infants: An Exploratory Multivariable Analysis Including Sonographic Brain Volume Trajectories—Data from the NeoNEVS Project

　　

背景：极高和非常早产儿发生不良神经发育结局的风险很高。依赖静态临床标志物或单时间点神经影像学的早期预测仍然具有挑战性。序列颅脑超声（cranial ultrasound, CUS）可在床旁重复评估脑生长，并可能提供可与常规临床数据整合的纵向轨迹生物标志物。方法：在这项回顾性两中心队列研究中，纳入了89例具有从出生到出院序列CUS检查并在矫正年龄24个月时接受Bayley?III评估的早产儿（胎龄<32周且出生体重<1500 g）。使用椭球公式从三个线性测量值估算总脑体积（total brain volume, TBV）。对每位患者提取轨迹特征（斜率、线性度、曲线下面积）。采用患者水平分组交叉验证评估了7种机器学习（machine learning, ML）分类器。结果：多变量分类产生了适度但高于偶然水平的性能（平衡准确度0.277–0.463，Cohen's κ 0.042–0.152）。呼吸系统疾病持续时间——机械通气和支气管肺发育不良（bronchopulmonary dysplasia, BPD）严重程度——是最强有力的单变量预测因子，通过了Bonferroni校正。脑体积轨迹特征未显示显著的单变量关联，但在多变量框架内条件性地贡献：脑体积斜率与轨迹线性度的交互作用对认知结局最强（Δr = 0.47），而出生体重较低时产后生长受限对运动结局的负面影响被放大（Δr = 0.47）。结论：本研究展示了ML方法作为结构化分析工具在表征早产儿神经发育预测因子?结局关系中的价值；呼吸系统疾病和脑体积轨迹特征是最具信息量的预测因子类别。在临床转化之前需要进行前瞻性多中心验证。

**研究背景与问题**
早产是一个重要的全球健康问题，与显著的围产期发病率和长期神经发育障碍相关。极早产儿（胎龄<32周）和极低出生体重儿（出生体重<1500 g）尽管存活率提高，认知、语言和运动功能损伤仍常见，给临床预后判断、随访强度和早期干预带来不确定性。传统预测方法依赖静态变量（如胎龄、出生体重、影像学脑损伤），无法捕获早产儿脑发育的多因素、时间依赖性本质。呼吸系统不稳定、神经炎症、营养不足和治疗强度等因素在整个新生儿重症监护病房（neonatal intensive care unit, NICU）过程中相互作用，动态塑造发育轨迹。因此，纳入纵向轨迹信息（如序列超声脑体积测量）的预后框架可能比静态方法更丰富。磁共振成像（magnetic resonance imaging, MRI）是脑评估金标准，但资源密集、需转运，不适合反复评估；而颅脑超声（cranial ultrasound, CUS）便携、安全、可床旁重复，标准化线性测量结合椭球公式可估算总脑体积，提供可靠的脑生长替代指标。序列超声体积测量可捕捉出生后脑生长轨迹，并与头围进展及神经发育结局相关。机器学习（machine learning, ML）方法擅长表征复杂的多变量预测?结局关系（包括非线性关联和条件交互效应），传统单变量分析无法完全揭示。本论文（NeoNEVS项目的一部分）旨在表征序列CUS衍生脑体积轨迹特征、常规临床变量与神经发育结局之间的多变量关系，特别关注单变量方法无法检测的条件预测因子交互作用。

**研究内容与结论**
研究人员纳入89例2019?2021年间在德国两家三级NICU治疗的极早早产儿和非常早产儿（胎龄<32周，出生体重<1500 g），回顾性收集出生至出院序列CUS及临床数据，在矫正年龄24个月时用Bayley?III量表评估认知、语言和运动三个领域的神经发育结局。通过三个层面分析：①单变量关联（简单线性回归，Bonferroni校正）；②多变量分类（7种ML分类器，患者级分组5折交叉验证）；③基于ML的特征重要性（随机森林均方误差减少MDI）、方向性（Spearman相关）和交互作用（二维偏依赖图，分层Spearman Δr）。主要发现：呼吸系统疾病持续时间（机械通气和BPD严重程度）是所有分析层面中最可靠的预测因子，在单变量分析中通过严格校正；脑体积轨迹特征（斜率、线性度、曲线下面积）无显著单变量关联，但在多变量框架内条件性贡献，例如脑体积斜率与轨迹线性度的交互作用对认知结局最强（Δr = 0.47），产后生长受限在较低出生体重时对运动结局的负面影响放大（Δr = 0.47）。多变量分类性能适中（平衡准确度0.277–0.463），未达到临床实用的个体预测水平，但证明了ML作为结构化分析工具的价值。论文发表在《Children》。

**主要关键技术方法**
样本队列来源：德国两家三级新生儿重症监护病房（NICU）的89例极低出生体重早产儿（胎龄<32周，出生体重<1500 g，2019?2021）。主要技术：①序列颅脑超声（CUS）——使用同一超声系统（Philips Affinity 70），按标准时间点采集（生后第1、3、7、14、28天，之后每14天至出院），离线测量三个正交线性尺寸（双顶径、额枕径、颅尾高度），用椭球公式估算总脑体积（TBV），提取每个患者的轨迹特征（曲线下面积AUC、斜率、线性度R²、首次和末次体积）。②机器学习方法——构建患者级特征向量，缺失值以训练集中位数填补；采用患者级分组5折交叉验证防止数据泄露；评估7种分类器（逻辑回归、朴素贝叶斯、k近邻、线性支持向量机SVM、径向基函数核SVM、随机森林、梯度提升），以径向基函数核SVM为最终模型；特征重要性使用随机森林的均方误差减少（MDI）和排列检验；交互作用通过二维偏依赖图和分层Spearman Δr量化。

**研究结果**
3.1 队列特征：89例早产儿，平均胎龄28.3±2.0周，出生体重1019±285 g，女性占60%，剖宫产97%，42%需有创机械通气，BPD占15%，无重度脑损伤（排除标准）。
3.2 脑体积生长：首次测量平均脑体积158±38 cm³，末次275±56 cm³，平均日增长率2.4±0.9 cm³/天，每位患儿平均6.6±2.3次CUS检查。
3.3 神经发育结局：Bayley?III百分位数均值认知72±31、语言55±33、运动67±25、综合65±26，语言变异最大（CV 60%）；转化为三组（严重受损≤16百分位、中度受损17?50百分位、未受损>50百分位）后，未受损组占60?74%。
3.4 模型性能：
3.4.1 单变量关联——简单线性回归显示，机械通气持续时间（语言R²=0.130，综合R²=0.143）和BPD严重程度（综合R²=0.125）通过Bonferroni校正（α=0.00081）；Benjamini?Hochberg FDR校正后，机械通气在所有四个领域、BPD在所有领域、无创通气NIV在运动领域显著（R²=0.086?0.143）。呼吸系统疾病持续时间是唯一最可靠的单变量预测因子类。脑体积增长率无显著单变量关联。
3.4.2 多变量分类性能——7种算法比较后，径向基函数核SVM表现最一致。平衡准确度0.277（运动）?0.463（综合），除运动外均高于随机水平（0.333）；Cohen's κ 0.042?0.152（轻微至一般一致性）。分类性能受限主要由严重类别不平衡（60?74%在未受损组）导致，表明在现有样本量下无法实现临床可用的个体预测。
3.4.3 基于ML的预测因子轨迹、方向性和交互作用表征——随机森林MDI特征重要性显示NIV持续时间在所有领域排名最高（Spearman r = ?0.25至?0.33），脑体积轨迹特征（AUC、斜率、线性度R²）始终位于前10；轨迹线性度R²在运动领域MDI最高（0.071），虽无显著单变量相关，但排列检验显著（p=0.030）。交互作用分析（二维偏依赖图）：脑体积斜率与初次测量时胎龄对运动结局交互作用最强（Δr=0.41），低胎龄时斜率与结局正相关（r=+0.43），高胎龄无关（r=+0.02）；产后体重百分位下降与末次测量时胎龄对认知、语言、综合结局交互作用（Δr=0.35?0.39）；NIV持续时间与初次胎龄对语言和运动交互作用（Δr=0.29?0.34）。

**讨论总结与结论翻译**
讨论总结：本研究采用结构化三级ML框架，以89例早产儿为对象，整合序列CUS脑体积轨迹特征与临床变量，主要目的并非个体化预测（严格交叉验证下不可靠），而是系统识别哪些预测因子重要、方向如何、在何种条件下发挥作用。ML方法作为分析工具，允许对所有预测因子对同时筛选、可视化条件关系。呼吸系统疾病持续时间（机械通气和BPD严重程度）在所有分析层面最稳健；脑体积轨迹特征仅在多变量框架内条件性贡献。分类性能受限主要因严重类别不平衡和样本量小，运动领域分类失败。特征重要性差异显示，Spearman相关捕获边际效应，MDI捕获多变量条件贡献。临床意义：①强调减少通气暴露作为可调控风险因素；②序列CUS体积轨迹可为最不成熟婴儿提供补充预后信息；③风险分层应考虑胎龄作为效应修饰因子。局限性：样本量小（89例）、无嵌套交叉验证、无外部验证、排除了重度脑损伤限制普适性、椭球模型仅提供整体脑生长替代、缺乏MRI验证、缺乏产后环境因素和母体孕期条件资料。所有结论为探索性、假设生成性质。

结论翻译：本研究提示，一个结构化的三级机器学习框架——结合单变量推断、多变量分类、特征重要性分析与交互作用表征——可能有助于表征早产儿神经发育研究中的预测因子?结局关系，即使个体层面预测尚无法实现。呼吸系统疾病持续时间（特别是无创通气和机械通气）是所有分析层面中最一致的预测因子类，而序列颅脑超声衍生的脑体积轨迹特征显示出仅在多变量背景下可检测的条件关联。交互作用分析表明，脑体积生长曲线的形状和一致性（而非绝对体积）可能携带依赖于背景的预后信息，且产后体格生长受限在最脆弱婴儿中似乎发挥更明显的不良影响。鉴于分析的探索性、样本量有限以及缺乏外部验证，所有发现均应视为假设生成性质。在临床转化之前需要在更大独立队列中进行多中心验证。