可解释的基于网络的机器学习模型用于预测川崎病的静脉免疫球蛋白耐药性
Ying He1, Fan Lin1, Xin Zheng1
1Department of Pediatric, Fujian Provincial Hospital, Fuzhou University Affiliated Provincial Hospital, Fuzhou, Fujian, 350001, China.
Italian journal of pediatrics
|June 8, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于预测川崎病 (KD) 儿童的静脉注射免疫球蛋白 (IVIG) 耐药性. 该模型有助于针对个性化治疗策略的早期风险分层.
科学领域:
- 儿童心脏病学 儿童心脏病学
- 计算医学是一种计算医学.
- 生物统计学 生物统计学
背景情况:
- 川崎病 (KD) 是儿科获得性心脏病的主要原因,通常用静脉注射免疫球蛋白 (IVIG) 进行治疗.
- 显著比例的KD病例 (10-20%) 显示对IVIG的耐药性,增加冠状动脉并发症的风险.
- 目前对IVIG耐药性的预测模型缺乏整合多种机器学习 (ML) 算法和实时临床适用性.
研究的目的:
- 开发一个区域特定的,可解释的机器学习 (ML) 模型,用于早期预测患有川崎病 (KD) 的儿科患者的IVIG耐药性.
- 增强KD管理中个性化治疗策略的临床决策.
主要方法:
- 对2012年至2024年间被诊断患有KD的463名儿童进行了回顾性分析.
- 通过交叉验证评估了13个ML算法,其性能指标包括曲线下的面积 (AUC).
- 使用SHapley添加式扩展 (SHAP) 评估特征的重要性,并开发了一个基于网络的工具来实时估计风险.
主要成果:
- 随机森林 (RF) 模型实现了最高的预测性能,AUC为0.78.
- 通过SHAP值选择的10个关键特征的可解释的射频模型已经完成.
- 一个部署的基于Web的工具包含了Youden指数 (16.9%),用于立即的风险评估.
结论:
- 开发的特定区域的可解释的ML模型为KD的IVIG耐药性早期风险分层提供了一个实用的方法.
- 该工具可为患有川崎病的儿童提供个性化治疗决策.
- 该模型可通过基于Web的平台进行临床使用.
