预测川崎病的冲击综合征:用于增强诊断的机器学习模型
Yifeng Xu1,2, Yuting Pan1, Yifan Xie1
1Department of Rheumatology and Immunology, Children's Hospital of Nanjing Medical University, Nanjing, China.
QJM : monthly journal of the Association of Physicians
|August 12, 2025
概括
这项研究开发了一种机器学习模型,用于预测儿童的川崎病休克综合征 (KDSS). 该模型利用CD3+淋巴细胞百分比,中性粒细胞与淋巴细胞的比率以及Interleukin-6水平,显示出早期识别和改善患者结果的希望.
科学领域:
- 儿童心脏病学 儿童心脏病学
- 机器学习在医学中的应用
- 临界护理医学 临界护理医学
背景情况:
- 川崎病休克综合征 (KDSS) 是川崎病的一种严重并发症.
- 由于缺乏有效的预测模型,早期识别KDSS具有挑战性.
- 及时诊断和干预对于管理KDSS和预防严重后果至关重要.
研究的目的:
- 开发和验证一种基于机器学习的新型预测模型,用于早期识别KDSS.
- 确定预测KDSS发展的关键临床和实验室参数.
- 为临床医生创建一个用户友好的工具,以帮助早期KDSS风险分层.
主要方法:
- 746名患有川崎病 (KD) 的儿童的回顾性分析.
- 使用随机森林,物流回归和光梯度增强机 (LightGBM) 开发预测模型.
- 使用AUC,精度和交叉验证评估模型性能;也进行了前性外部验证.
主要成果:
- 轻GBM模型表现出卓越的性能,AUC为0.9388,平均精度为0.9675.
- 鉴定出CD3+淋巴细胞百分比,中性粒细胞与淋巴细胞的比率,以及INTERLEUKIN-6作为关键预测因素.
- 前性验证显示出有希望的结果,AUC为0.9000.
结论:
- 已经建立了一个新的,验证的机器学习模型,用于早期KDSS预测.
- 开发的基于网络的预测工具可以帮助临床医生识别高风险儿科患者.
- 这种工具有可能改善KDSS的患者监测和治疗策略.
