论文部分内容阅读
目的:坏死性小肠结肠炎（NEC）是早产儿最常见和最严重的肠道炎症性疾病。该研究通过回顾性分析早产NEC患儿发病前及发病时的危险因素,将机器学习方法应用于NEC诊断的预测,并比较传统logistic回归模型与机器学习模型的预测性能。方法:（1）本研究选择2015年1月-2021年10月在吉林大学第一医院新生儿科因出现疑似NEC症状进行腹部影像学检查的早产儿564例（其中NEC组264例,非NEC组300例）,收集所有病例的发病前及发病时的临床资料,分析比较NEC组和非NEC组之间的变量,通过Logistic回归分析,筛选出与NEC诊断相关的危险因素并建立回归方程,评估其预测NEC诊断的准确性。（2）采用特征选择方法中的递归特征消除（RFE）、最大相关最小冗余（MRMR）、弹性网（EN）对全部变量进行特征选择,综合三种方法的结果筛选最终纳入变量,采用支持向量机（SVM）、多层神经网络（MLP）和极端梯度提升（XGBoost）三种机器学习分类模型建立NEC的诊断预测模型并进行性能评价,比较不同模型的受试者工作特征曲线下面积（AUC）、灵敏度、特异度、阴性预测值和阳性预测值。结果:（1）多因素Logistic回归分析显示,与NEC诊断相关的独立危险因素包括:动脉导管未闭（PDA）[比值比（OR）:1.802,95%可信区间（CI）:1.004-3.234,P=0.048]、发病时出现喂养残留（OR:2.544,95%CI:1.417-4.567,P=0.002）、超声下提示肠壁积气（OR:4.026,95%CI:2.122-7.639,P＜0.001）、门静脉积气（OR:7.115,95%CI:3.606-14.041,P＜0.001）、肠管扩张（OR:13.562,95%CI:6.378-28.838,P＜0.001）、肠壁增厚（OR:3.948,95%CI:2.017-7.725,P＜0.001）、肠内喂养开始时间（OR:0.227,95%CI:0.123-0.418,P＜0.001）、喂养速度（OR:6.248,95%CI:3.282-11.895,P＜0.001）、母乳喂养（OR:0.215,95%CI:0.112-0.415,P＜0.001）、口服益生菌（OR:0.310,95%CI:0.166-0.578,P＜0.001）、出生时单核细胞百分比（MO%）（OR:0.878,95%CI:0.816-0.944,P=0.001）、发病时中性粒细胞百分比（NEUT%）（OR:1.035,95%CI:1.018-1.051,P＜0.001）、发病时平均红细胞体积（MCV）（OR:0.957,95%CI:0.918-0.997,P=0.037）、白细胞总数（WBC）变化（OR:0.619,95%CI:0.425-0.902,P=0.013）。（2）MRMR筛选的重要性排名前5的变量:超声下肠管扩张（0.124370）、淋巴细胞（LY）计数变化（0.118769）、门静脉积气（0.099929）、出生时MO%（0.099673）、发病时红细胞比容（HCT）（0.097583）;RFE筛选的重要性排名前5的变量:肠管扩张（0.101730）、门静脉积气（0.092147）、肠壁积气（0.072376）、发病时NEUT%（0.072009）、喂养种类（0.062553）;EN筛选的重要性排名前5的变量:肠管扩张（0.107048）、LY计数变化（0.090874）、门静脉积气（0.086775）、发病时NEUT%（0.084808）、出生时MO%（0.079484）。（3）综合三种特征选择方法确定的变量,采用纳入三组变量子集的交集（F-I）和并集（F-U）两种策略进行NEC预测模型的建立。基于F-I特征选择策略构建的诊断预测模型中,SVM性能评估表现最好（AUC:0.919,95%CI:0.866-0.972;准确度0.854;灵敏度0.847;特异度0.880;阳性预测值0.850;阴性预测值0.873）。基于F-U策略建立的诊断预测模型中,MLP性能评估表现最好（AUC:0.933,95%CI:0.883-0.983;准确度0.867;特异度0.873;阳性预测值0.867）。结论:（1）超声下肠管扩张、肠壁积气、门静脉积气、肠壁增厚、喂养种类、喂养速度、肠内喂养开始时间、口服益生菌、妊娠期糖尿病、胎盘异常、出生时MO%、发病时HCT、早发性败血症、迟发性败血症、PDA、肠鸣音减弱、呕吐、喂养残留、血便、出生时WBC、出生时血红蛋白、出生红细胞计数（RBC）、出生时平均红细胞血红蛋白量（MCH）、出生时MO计数、发病时NEUT%、发病时RBC、发病时MCV、HCT变化、LY计数变化、RBC变化、红细胞分布宽度变化、MCH变化是预测NEC发生的有效指标。（2）腹部影像学检查、喂养策略（肠内营养开始时间、喂养速度、喂养种类、益生菌的使用等）及血常规参数在早产儿NEC鉴别诊断中具有重要价值。（3）传统Logistic回归模型和机器学习模型在预测NEC诊断方面表现均良好且稳定,其中,SVM模型结合F-I特征选择策略的综合诊断性能最佳。基于机器学习算法构建的分类预测模型对于NEC的鉴别诊断具备一定的临床实用价值。