儿童患者肺炎支原体肺炎的早期预测：一种可解释的机器学习模型

《European Journal of Medical Research》：Early prediction of mycoplasma pneumoniae pneumonia in pediatric patients: an interpretable machine learning model

　　

摘要

目的

近年来，儿童肺炎支原体肺炎的发病率不断上升，且临床表现趋于严重。早期准确诊断对于及时采取针对性治疗及改善预后至关重要。本研究旨在构建并验证一种基于机器学习的诊断模型，该模型整合临床特征、实验室指标及胸部CT检查结果，用于早期预测儿童肺炎支原体肺炎。

方法

本研究回顾性纳入了2019年1月至2025年4月间在鄂尔多斯市中心医院住院的449名确诊为社区获得性肺炎的儿童，其中包括311例肺炎支原体肺炎病例和138例非肺炎支原体肺炎病例。训练集包含314名患者（217例肺炎支原体肺炎，97例非肺炎支原体肺炎），测试集包含135名患者（94例肺炎支原体肺炎，41例非肺炎支原体肺炎）。研究收集了这些患者的临床特征、入院后24小时内获得的实验室指标以及胸部CT检查结果。通过单变量和多变量逻辑回归分析确定预测因子。研究人员使用了10种机器学习算法来构建仅基于临床和实验室数据的临床模型，以及结合胸部CT特征的混合模型。模型性能通过AUC、准确率、敏感性、特异性、阳性预测值、阴性预测值和F1分数进行评估，同时运用SHAP方法对模型结果进行解释。

结果

研究共确定了10个预测因子：中性粒细胞比例、C反应蛋白、中性粒细胞与淋巴细胞比值、初次就诊时的体温、节段性实变、斑片状实变、胸腔积液、双肺受累、肺叶实变以及多肺叶受累。在所有算法中，基于LightGBM的临床模型在测试集上的AUC值为0.754（95%置信区间：0.648–0.837），敏感度为0.883；而基于LightGBM的混合模型在测试集上的AUC值为0.825（95%置信区间：0.733–0.904），敏感度为0.872。SHAP分析表明，中性粒细胞比例、胸腔积液和节段性实变是预测肺炎支原体肺炎的有力因素。

结论

本研究成功构建并验证了基于LightGBM的诊断模型，可用于早期识别儿童肺炎支原体肺炎，该模型具有良好的预测性能和可解释性。通过整合易于获取的临床和影像学数据，该模型为儿科医生提供了有力的决策支持工具，有助于实现肺炎支原体肺炎的早期诊断和个性化治疗。