《Pediatric Research》：AI, machine learning, and adjudication of hemodynamically significant PDA in extremely premature infants
编辑推荐：
针对极早产儿血流动力学显著性动脉导管未闭(hsPDA)的识别和治疗决策难题，Küng等人开发了一种基于机器学习的新型评估工具。该模型利用患儿出生3天内的出生体重、吸入氧浓度(FiO2)、血压(BP)、血氧饱和度、表面活性物质用量及分娩方式6个变量进行预测，其ROC曲线下面积为0.685。这项工作为在临床常规评估和资源密集型超声心动图检查之外，提供了一种辅助识别hsPDA风险的潜在新思路，有助于推动动脉导管未闭(PDA)管理的精准化。
在新生儿重症监护室(NICU)里，动脉导管未闭(PDA)是一个让医生们既熟悉又头疼的问题。这个在胎儿期连接肺动脉和主动脉的血管通道，本应在出生后迅速关闭。然而，对于许多提前来到世界的极早产儿来说，这条“生命通道”却常常保持着开放状态。问题在于，并非所有开放的动脉导管都需要干预。有些是仅有少量分流的“安静型”PDA，可能自行关闭；而有些则是导致大量血液分流的“血流动力学显著性PDA”(hsPDA)，会显著增加患儿死亡、严重脑室内出血和严重支气管肺发育不良的风险。然而，如何精准地将两者区分开来，一直是新生儿学领域争论的焦点。传统的临床评估指标，如呼吸支持需求增加、低血压、代谢性酸中毒等，既不特异也不敏感，常常与早产儿本身的不成熟或其他疾病状态混淆。而作为“金标准”的超声心动图检查，虽能提供详细的心脏结构和血流信息，但其判读存在操作者依赖性，且难以实现全天候的动态监测。更棘手的是，近期一些大型临床试验显示，基于宽泛指征（如导管直径>1.5 mm）的早期、普适性药物治疗（如布洛芬）并未能改善极早产儿的复合不良结局。这使得临床医生陷入两难：不治疗，可能错过需要干预的患儿；过度治疗，又可能让本可自愈的患儿承受不必要的药物副作用。正是在这种精准诊断需求迫切、而传统方法又存在局限的背景下，人工智能(AI)和机器学习(ML)技术展现出了巨大的应用潜力，它们能否从海量的临床数据中，挖掘出识别hsPDA风险的隐藏模式，从而辅助临床决策呢？
为了回答这个问题，Küng等研究团队在《Pediatric Research》杂志上发表了一项研究，他们致力于开发一个基于机器学习的工具，旨在帮助临床医生识别极早产儿中发生血流动力学显著性PDA的高风险个体。这项研究的核心，是尝试利用患儿出生后最初几天内相对容易获取的常规临床和监护数据，构建一个预测模型，以期在出现明显的临床恶化之前，就预警hsPDA的风险。
研究人员为开展此项研究，主要采用了回顾性队列研究设计和机器学习建模方法。他们从一个极早产儿队列中收集了临床数据，并以“是否接受了针对PDA的治疗”作为模型训练的“金标准”结局（即假定接受治疗等同于存在hsPDA）。关键技术方法包括特征工程，从收集的众多变量中筛选出对预测最重要的特征；以及机器学习算法，用于构建和优化最终的预测模型。模型性能则通过受试者工作特征曲线下面积、敏感性和特异性等指标进行评估。
研究结果
机器学习模型的构建与变量选择
研究人员从众多潜在预测变量中，最终筛选出6个对预测hsPDA风险最重要的变量纳入最终模型。这6个变量均来自患儿出生后头3天内的数据，包括：出生体重、头3天的平均吸入氧浓度(FiO2)、头3天的平均血压(BP)、头3天内血氧饱和度>96%的时间百分比、头3天内接受的表面活性物质总量，以及分娩方式。模型基于这些变量进行预测。
模型的预测性能
该机器学习模型在区分未来会发生hsPDA的婴儿方面展现出一定的预测能力。最终模型的受试者工作特征曲线下面积为0.685。模型的敏感性为74.8%，意味着它能识别出约四分之三的真正会发展为hsPDA的病例；特异性为53.4%，意味着它在排除不会发生hsPDA的婴儿方面准确性一般。这表明该模型更侧重于避免漏诊（高敏感性），但会以一定的误诊率（较低的特异性）为代价。
研究结论与讨论
Küng等人的研究为利用机器学习辅助极早产儿hsPDA风险识别提供了初步的探索。该研究表明，利用出生后早期（头3天内）的常规临床和监测数据，有可能构建出具有中等预测效能的模型。这一工具的潜在意义在于，它可能为缺乏即时超声心动图检查能力或规范化血流动力学筛查程序的医疗机构，提供一个额外的、数据驱动的风险评估参考。
然而，作者在讨论中也深入剖析了该研究的局限性及未来方向。首先，模型的构建基于一个关键假设：即“接受治疗”等同于“存在hsPDA”。这要求用于判定治疗必要性的超声心动图标准本身必须高度准确。不正确的血流动力学显著性判定会直接导致模型的错误学习，进而造成临床上的过度治疗或治疗不足。例如，单纯左心室负荷增加的超声心动图表现也可能源于左心室功能不全或全身性高血压，在这些情况下关闭动脉导管反而有害。其次，该模型目前依赖的变量（如头3天的平均FiO2和平均BP）可能掩盖了重要的生理细节。例如，血压的波动性、收缩压与舒张压的各自变化趋势、以及动脉导管前后血压的差异，可能比单一的平均值包含更多信息。将监测数据按更短的时间窗口进行分析，或许能更好地捕捉分流模式和分流量变化的信号。再者，当前模型在识别时机上存在固有延迟。它主要依赖于已出现的临床指标（如升高的FiO2需求）来预警风险，而有证据表明超声心动图上出现hsPDA征象可比临床迹象早多达4天。等待婴儿出现呼吸状况恶化再启动评估，可能会延误诊断。此外，呼吸状况恶化与需要更多剂量的表面活性物质治疗高度相关，这可能导致模型中的变量存在共线性，影响对独立效应的判断。
综上所述，这项研究迈出了将机器学习应用于新生儿PDA管理难题的第一步，其价值在于提出了一个新的、数据驱动的思路。但要实现真正的精准医疗，未来的研究需要超越“治疗与否”的简单二分法，致力于区分“无需治疗的低血流量分流”、“需要治疗的中/高血流量分流”以及“无PDA”这三种不同状态。这可能需要整合更多生理变量，如连续生命体征监测波形分析、更精细的超声心动图负荷指标等。最终目标应聚焦于hsPDA的早期识别和精准治疗，以真正改善极早产儿的远期预后。尽管前路挑战重重，但人工智能与机器学习的引入，无疑为破解动脉导管未闭这一经典临床难题，点亮了一盏新的探索之灯。
