应用机器学习预测儿童毛细支气管炎的严重程度：一项单中心回顾性队列研究

《European Journal of Pediatrics》：Application of machine learning to predict bronchiolitis severity in children: a single-centre retrospective cohort study

　　

摘要

已经开发出多种评分系统来评估婴儿支气管炎的严重程度，但这些评分系统往往缺乏客观性，可能无法可靠地反映临床结果。我们进行了一项单中心回顾性队列研究，纳入了在三个流行季节（2021-2024年）内因临床诊断为支气管炎而入院的12个月以下婴儿。通过聚类分析识别出具有相似临床特征的婴儿群体，并将其对应到不同的严重程度等级。随后，我们使用入院时可获得的病史和临床变量训练了一个机器学习（ML）模型来预测这些严重程度等级。作为对比，还计算了支气管炎入院风险评分（BRAS）和呼吸严重程度评分-心率（RSS-HR）。共有112名婴儿参与了研究，最终确定了三个严重程度等级：轻度支气管炎指无需入住新生儿重症监护室（NICU）或辅助通气的婴儿；中度支气管炎指需要辅助通气但无需入住NICU的婴儿；重度支气管炎则同时需要入住NICU和辅助通气。BRAS与新定义的临床严重程度评分之间的关联较弱（τ = 0.354，p < 0.001），而RSS-HR则没有显示出显著的相关性。相比之下，机器学习模型在测试集中的预测性能很强（τ = 0.731，p < 0.001）。基于三个入院变量（年龄、呼吸急促情况和氧饱和度）的简化决策树也表现出良好的预测能力（τ = 0.654，p < 0.001）。

结论：我们提出了一种新的动态评估方法，能够在医院入院时准确评估支气管炎的严重程度，并且在不同的临床环境中都具有稳健和适应性强的预测能力。

已知情况： • 存在多种支气管炎严重程度评分系统，但许多缺乏验证，具有主观性，并且在不同环境中的适用性有限，这使得早期和准确的严重程度预测变得困难。 新进展： • 我们的研究引入了一种三级、基于结果的严重程度评分系统以及一个动态的机器学习工具，再加上一个简化的决策树模型，这些方法在预测入院时的严重程度方面均优于传统的评分系统。

已经开发出多种评分系统来评估婴儿支气管炎的严重程度，但这些评分系统往往缺乏客观性，可能无法可靠地反映临床结果。我们进行了一项单中心回顾性队列研究，纳入了在三个流行季节（2021-2024年）内因临床诊断为支气管炎而入院的12个月以下婴儿。通过聚类分析识别出具有相似临床特征的婴儿群体，并将其对应到不同的严重程度等级。随后，我们使用入院时可获得的病史和临床变量训练了一个机器学习（ML）模型来预测这些严重程度等级。作为对比，还计算了支气管炎入院风险评分（BRAS）和呼吸严重程度评分-心率（RSS-HR）。共有112名婴儿参与了研究，最终确定了三个严重程度等级：轻度支气管炎指无需入住新生儿重症监护室（NICU）或辅助通气的婴儿；中度支气管炎指需要辅助通气但无需入住NICU的婴儿；重度支气管炎则同时需要入住NICU和辅助通气。BRAS与新定义的临床严重程度评分之间的关联较弱（τ = 0.354，p < 0.001），而RSS-HR则没有显示出显著的相关性。相比之下，机器学习模型在测试集中的预测性能很强（τ = 0.731，p < 0.001）。基于三个入院变量（年龄、呼吸急促情况和氧饱和度）的简化决策树也表现出良好的预测能力（τ = 0.654，p < 0.001）。

结论：我们提出了一种新的动态评估方法，能够在医院入院时准确评估支气管炎的严重程度，并且在不同的临床环境中都具有稳健和适应性强的预测能力。

已知情况： • 存在多种支气管炎严重程度评分系统，但许多缺乏验证，具有主观性，并且在不同环境中的适用性有限，这使得早期和准确的严重程度预测变得困难。 新进展： • 我们的研究引入了一种三级、基于结果的严重程度评分系统以及一个动态的机器学习工具，再加上一个简化的决策树模型，这些方法在预测入院时的严重程度方面均优于传统的评分系统。