《PLOS Digital Health》：Early individualized risk prediction using clinical data for children during the febrile phase of dengue in outpatient settings in Vietnam and Thailand
编辑推荐：
本综述基于越南和泰国门诊儿童登革热发热期临床数据，开发并验证了6种预测模型（包括逻辑回归和机器学习方法），用于早期识别登革热休克综合征（DSS）和中度血浆渗漏风险。研究显示Lasso筛选的逻辑回归模型在预测DSS（AUROC=0.789）和复合终点（AUROC=0.741）方面表现最优，关键预测因子包括血小板计数、AST等常规指标。该模型有望通过决策支持系统优化医疗资源分配，为登革热流行地区门诊分诊提供新策略。
研究背景
登革热作为蚊媒病毒性疾病，全球约38.3亿人生活在登革热传播适宜区域，2024年报告病例超1400万例。亚洲承担约70%的全球疾病负担，越南和泰国年住院率分别达142/10万和136/10万。住院治疗是登革热经济负担的主要驱动因素，尽管仅7%病例需要住院，但泰国住院费用（160.09美元）远超门诊费用（7.51美元）。目前WHO警告 signs虽敏感性高但特异性中等，且缺乏个体化风险预测能力。
研究方法
本研究使用越南（2010-2013年）和泰国（1994-2008年）两项前瞻性队列数据，纳入实验室确诊登革热儿童。越南队列含2245例患者（门诊1226例，住院1019例），其中110例发展为DSS；泰国队列524例住院患者中36例出现DSS。基于系统综述和专家咨询筛选12个DSS预测因子和11个复合终点（中度血浆渗漏和/或DSS）预测因子，包括人口学特征、临床症状和实验室参数。
模型构建与验证
开发六种预测模型：WHO警告 signs逻辑回归、Lasso筛选逻辑回归、随机森林（RF）、极端梯度提升（XGB）、支持向量机（SVM）和人工神经网络（ANN）。采用45次分块交叉验证和Jackknife估计评估性能，指标包括Brier评分、AUROC、校准曲线和决策曲线分析。
关键发现
Lasso模型筛选出DSS四大核心预测因子：血细胞比容、血小板计数、淋巴细胞计数和AST；复合终点八项预测因子包括腹痛、呕吐、黏膜出血、血小板计数等。内部验证显示Lasso模型对DSS预测的Brier评分为0.044（95%CI 0.043-0.044），AUROC达0.789，校准斜率0.942。XGB模型在机器学习中表现最佳，但校准性能略逊于Lasso模型。决策曲线分析表明，在低风险阈值下ANN模型净获益最高。
外部验证与局限性
泰国外部验证显示模型性能下降（DSS的AUROC降低11%），主要源于队列差异（成员一致性统计量0.84）。Lasso模型在泰国队列中虽减少假阳性（DSS假阳性率13% vs WHO的47%），但假阴性率升高（26% vs 6%）。研究局限性包括非住院患者血浆渗漏可能低估、胸部X光检测不足以及队列数据时效性问题。
临床意义
本研究首次实现跨国外部验证的门诊登革热风险预测模型，证实常规实验室参数（血小板、AST等）在发热期的预测价值。通过整合4-8项易获取指标，模型可为资源有限地区提供分诊决策支持，优化医疗资源配置。未来需在当代队列中验证模型时效性，并探索定量症状指标与疾病进展时间的动态预测。
（注：以上内容严格依据原文数据及结论缩编，未添加非原文信息）
