后疫情时代儿童 IgA 血管炎肾病机器学习风险模型的开发与外部验证

《Scientific Reports》：Development and external validation of a machine learning risk model for pediatric IgA vasculitis nephritis in the post-pandemic era

　　

摘要

本研究旨在调查COVID-19疫情前后儿童IgA血管炎肾病（IgAVN）临床特征及危险因素的变化，并建立适应后疫情时代的风险预测模型。回顾性收集了两个队列中IgAVN患儿的临床数据：疫情前队列（2017年1月至2019年1月，n?=?123）和疫情后队列（2023年1月至2025年1月，n?=?216）。通过单因素分析和LASSO回归筛选候选预测因子。转移机器学习模型以评估时间泛化能力，并构建新的随机森林（RF）模型进行外部验证。疫情后患儿表现出更高的体重指数、更低的白蛋白水平和更高的补体水平。IgAVN的危险因素谱发生转变；疫情前模型的表现下降（?AUC = -0.136，P?=?0.014）。疫情后RF模型在外部验证中表现出良好的预测性能和潜在的临床净获益。皮疹持续时间、胱抑素C、红细胞沉降率（ESR）和体重指数是模型预测的主要贡献因素。两个基于时间队列的临床特征和预测因子分布存在差异。在后队列中开发的随机森林模型在区域外部验证中表现良好，可能支持未来的风险分层研究。在常规临床应用前，还需进一步进行前瞻性多中心验证。