机器学习在川崎病诊断与冠状动脉病变预测中的应用效果

机器学习在川崎病诊断与冠状动脉病变预测中的应用效果

引用

MedSci-临床研究与学术平台

1.

https://www.medsci.cn/article/show_article.do?id=a6368525e0b9

川崎病（Kawasaki disease, KD）是一种主要影响5岁以下儿童的多系统中小血管炎，是发达国家儿童获得性心脏病的主要原因。其临床表现多样，包括发热、皮疹、粘膜改变及冠状动脉扩张或动脉瘤等，严重者可导致心肌受损和长远心血管并发症。近年来，机器学习（ML）技术因其在大数据处理和模式识别中的优越性逐渐应用于KD的诊断和冠状动脉病变（CALs）的预测。

本研究通过系统综述和荟萃分析的方法，评估了机器学习在川崎病诊断及冠状动脉病变预测中的准确性。研究团队检索了PubMed、Cochrane Library、Embase和Web of Science等多个数据库，筛选出29项相关研究，其中20项研究用于区分川崎病与其他发热性疾病，9项研究用于预测川崎病患儿冠状动脉病变的风险。

机器学习在川崎病诊断中的应用效果

在区分川崎病与其他发热性疾病方面，机器学习模型在验证集中的表现如下：

• C-index（一致性指数）为0.881（95%CI：0.837-0.925）
• 敏感性为0.91（95%CI：0.83-0.95）
• 特异性为0.86（95%CI：0.80-0.90）

常用的机器学习方法包括逻辑回归（45%）、支持向量机（15%）和神经网络（10%）。常用变量为C反应蛋白（CRP）、中性粒细胞（NEUT）及白细胞计数（WBC）。

机器学习识别训练集中的川崎病和发热控制的灵敏度和特异性

机器学习在冠状动脉病变预测中的应用效果

在预测冠状动脉病变风险方面，机器学习模型在验证集中的表现如下：

• C-index为0.787（95%CI：0.738-0.835）
• 敏感性范围为0.220-0.952
• 特异性范围为0.644-0.755

在9个预测模型中，88.89%使用了多变量逻辑回归，最常用的变量包括C反应蛋白（CRP）、IVIG抵抗和发热持续时间。

研究结论与展望

研究结果显示，基于常规临床数据构建的机器学习模型在验证集中表现出良好的诊断与预测准确性，尤其在敏感性和特异性方面具有优势。然而，受限于纳入研究数量和模型验证方法的多样性，未来仍需通过多中心研究进一步优化模型设计，提升泛化能力。此外，应探索更多高效变量及其与川崎病和冠状动脉病变的定量关系，以实现模型的临床转化应用。

本文原文来自《Journal of Medical Internet Research》