预测模型用于 Kawasaki 疾病的静脉注射免疫球蛋白非响应者使用机器学习
Yoshifumi Miyagi1, Satoru Iwashima2,3
1Department of Pediatrics, Haibara Hospital, Makinohara City, Shizuoka, Japan.
Clinical drug investigation
|June 13, 2024
概括
一个使用机器学习的新静岡得分可以预测川崎病的静脉注射免疫球蛋白 (IVIG) 非响应者. 在高风险患者中,IVIG加普雷迪尼索隆的早期治疗显著降低了非反应率.
科学领域:
- 儿科 儿科 儿科
- 免疫学 免疫学 免疫学
- 医疗信息学 医疗信息学
背景情况:
- 静脉注射免疫球蛋白 (IVIG) 在Kawasaki病 (KD) 治疗中至关重要,可减少冠状动脉异常.
- 目前用于预测IVIG非响应者的机器学习模型缺乏经过验证的验证和可重复性.
- 准确预测IVIG不响应者对于优化KD管理至关重要.
研究的目的:
- 开发和严格测试用于识别川崎病IVIG不响应患者的预测评分系统.
- 验证开发的预测模型的准确性和可靠性.
- 评估早期干预策略对高危非响应者的有效性.
主要方法:
- 使用228名IVIG非响应者和997名响应者的数据构建了一个预测机器学习模型.
- 开发了静岡得分,包括初始治疗日期,,总胆红素和中性粒细胞与淋巴细胞的比率.
- 倾向性得分匹配分析了85名高风险患者,每个患者接受IVIG和IVIG添加的普雷迪尼索隆治疗.
主要成果:
- 根据特定的临床标准,静岡得分确定了高风险IVIG不响应患者.
- 将普得尼索隆添加到IVIG中显著降低了非响应率 (p < 0.001,或0.192).
- 预测模型和评分系统显示出可靠性和准确性.
结论:
- 机器学习模型可以有效地预测川崎病的IVIG非响应者.
- 静岡得分为识别高风险患者提供了一种经过验证的工具.
- 在高风险患者中,早期IVIG添加的普雷尼索隆治疗是一种有益的策略.
