机器学习识别了婴儿血液瘤的免疫-周产期预测因素
1Department of Burn and Plastic Surgery, The Affiliated Huaian No.1 People's Hospital of Nanjing Medical University, Huaian, Jiangsu, China.
Frontiers in pediatrics
|November 19, 2025
概括
这项研究开发了一种机器学习模型,使用免疫和围产因素预测婴儿血管瘤 (IH) 风险. 该模型将早产,低出生体重和SAA和VEGF等炎症标志物确定为关键预测因素.
科学领域:
- 儿科瘤学 儿科瘤学
- 免疫学 免疫学 免疫学
- 血管生物学 血管生物学
背景情况:
- 婴儿血瘤 (IH) 是最常见的婴儿血管瘤,通常与免疫和炎症失调有关.
- 虽然通常是自我限制的,但IH可能会导致严重的并发症,需要更好的风险分层.
- 目前的风险模型缺乏关键的免疫炎症标志物的整合.
研究的目的:
- 开发和验证用于预测婴儿血瘤 (IH) 风险的机器学习模型.
- 确定IH发展的关键免疫-炎症和围产期预测因素.
- 加强IH的早期检测和个性化治疗策略.
主要方法:
- 在1466名婴儿的数据上利用了后勤回归和四种机器学习算法 (XGBoost,随机森林,SVM,k-NN).
- 收集全面的产周,临床和实验室数据,包括炎症标志物.
- 在模型解释性和特征重要性分析中使用了SHapley添加式解释 (SHAP).
主要成果:
- 确定了早产,多胎妊娠,低出生体重,高VEGF,CRP和SAA作为显著的危险因素.
- 该XGBoost模型显示了高预测性能 (AUC 0.952培训,0.935内部验证).
- SHAP分析证实SAA,VEGF和低出生体重是主要预测因素,将先天免疫失调与IH联系起来.
结论:
- 一个强大的,可解释的机器学习模型用于IH风险预测,使用免疫-周产期特征开发.
- 研究结果表明,IH可以作为与炎症相关的血管瘤发生的模型.
- 该模型对早期IH检测和针对免疫驱动瘤的个性化干预有意义.
