在中国山东半岛区分IVIG耐药川崎病的可解释深度学习算法
Gang Luo1, Huashu Liu2, Zhixin Li1
1Heart Center, Women and Children's Hospital, Qingdao University, 6 Tongfu Road, Qingdao, 266034, China.
BMC pediatrics
|August 27, 2025
概括
在川崎病 (KD) 中预测静脉注射免疫球蛋白 (IVIG) 耐药性至关重要. 使用C反应蛋白和其他指标的深度学习模型准确地识别了IVIG耐药性风险的患者.
科学领域:
- 儿童风湿病学
- 医疗信息学
- 生物统计学
背景情况:
- 对静脉注射免疫球蛋白 (IVIG) 耐药的川崎病患者面临冠状动脉损伤的风险增加.
- 在KD中确定IVIG耐药性的预测因素对于及时干预至关重要.
- 这项研究主要针对来自中国山东半岛的KD患者.
研究的目的:
- 探索川崎病患者IVIG耐药性的预测因素.
- 建立一个可解释的深度学习模型来预测KD中的IVIG抵抗性.
- 确定与IVIG抗性的关键临床指标.
主要方法:
- 在914名川崎病患者的回顾性队列研究中,分为IVIG敏感组和IVIG耐药组.
- 数据分为培训 (80%) 和验证 (20%) 集.
- 使用包括支持向量机,随机森林,决策树,XGBoost和LightGBM在内的机器学习模型;使用Split和Gain方法分析变量重要性.
主要成果:
- 轻GBM表现出优异的预测能力,AUC为0.9936.
- 对比分析确定了19个重要的实验室指标.
- 使用C反应蛋白,血清,血红蛋白,中性细胞百分比和血小板的精细模型 (LightGBM-Clinic) 实现了0. 9725的AUC.
结论:
- 在山东半岛的川崎病患者中,LightGBM有效预测IVIG耐药性.
- 血清,血红蛋白,中性粒细胞百分比和血小板是预测IVIG耐药性的关键指标.
- 开发的模型增强了KD中IVIG耐药性预测的可解释性.
