重磅！可解释机器学习模型助力危重症儿童弥散性血管内凝血（DIC）早期精准预测

《Scientific Reports》：Interpretable machine learning model for early prediction of disseminated intravascular coagulation in critically ill children

为解决危重症儿童弥散性血管内凝血（DIC）早期预测难题，研究人员开展了构建可解释机器学习模型的研究。结果显示，XGB 模型（Alfalfa-PICU-DIC）表现最优，能有效识别高风险患儿，这有助于及时干预，降低 PICU 患者 DIC 负担。

　　在医学领域，危重症儿童的健康一直是备受关注的焦点。其中，弥散性血管内凝血（Disseminated Intravascular Coagulation，DIC）作为一种可能危及生命的血栓出血性疾病，常常在危重症儿童中悄然出现。DIC 可由感染、创伤、恶性肿瘤等多种因素引发，其发病机制复杂，不仅会导致全身凝血途径激活，形成纤维蛋白凝块，进而引发器官衰竭，还会因血小板和凝血因子的大量消耗，造成临床出血症状 。在儿科重症监护病房（Pediatric Intensive Care Unit，PICU）中，DIC 的发病率不容小觑，泰国的一项研究表明，危重症儿童中 DIC 的患病率高达 24%。而且一旦发病，病情往往进展迅速，死亡率居高不下。及时发现并干预 DIC，对改善危重症儿童的预后至关重要。

目前，国际血栓与止血学会（International Society on Thrombosis and Hemostasis，ISTH）制定的 DIC 诊断标准虽被广泛认可，但存在耗时久的问题，在分秒必争的临床救治中，这一缺陷可能延误最佳治疗时机。此外，不同年龄组的凝血参数存在差异，如何选择合适的实验室检测指标进行准确诊断也存在争议。现有的 DIC 预测模型大多针对成年人群，且传统统计方法的预测能力有限，同时缺乏可解释性，难以让临床医生完全信任并应用于日常诊疗。

为了攻克这些难题，福建医科大学附属福建省妇幼保健院的研究人员展开了深入研究。他们旨在构建一个可解释的机器学习模型，用于早期预测危重症儿童的 DIC 风险。该研究成果发表在《Scientific Reports》上，为临床诊断和治疗提供了新的思路和方法。

研究人员从浙江大学医学院附属儿童医院维护的儿科重症监护（Pediatric Intensive Care，PIC）数据库中获取数据，该数据库涵盖了 2010 年至 2018 年期间大量危重症儿童的丰富信息，包括生命体征、用药记录、实验室结果等。经过严格筛选，最终纳入 6093 例危重症儿童。

在研究过程中，研究人员运用了多种技术方法。首先，进行特征提取，从数据库中提取了 28 个变量，涵盖人口统计学信息、合并症、治疗措施以及反映疾病严重程度的实验室参数等。然后，采用逐步逻辑回归模型进行特征选择，确定最终纳入模型的 16 个变量。接着，运用六种机器学习算法，即逻辑回归（Logistic Regression，LR）、极端梯度提升（Extreme Gradient Boosting，XGB）、随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree，DT）和 k 近邻（k-Nearest Neighbor，KNN）构建预测模型，并通过五折交叉验证评估模型性能。最后，利用 Shapley 加性解释（Shapley Additive Explanations，SHAP）方法对最优模型进行解释。

患者基线特征

研究纳入的 6093 例危重症儿童中，女性 2671 例，男性 3422 例，中位年龄 16.08（4.44 - 55.20）个月。根据是否发生 DIC 分为两组，DIC 组 681 例（11.2%），非 DIC 组 5412 例（89.8%）。与非 DIC 组相比，DIC 组儿童的纤维蛋白原（FIB）、血小板计数（PLT）、钙、钠和氯水平显著降低，而丙氨酸氨基转移酶（ALT）、天冬氨酸转氨酶（AST）、肌酐、血细胞比容、D - 二聚体、国际标准化比值（INR）、部分凝血活酶时间（APTT）、凝血酶原时间（PT）、凝血酶时间（TT）和钾水平升高。此外，DIC 组患儿手术、败血症、肝功能不全、肾功能不全和创伤的发生率更高，且更常使用抗凝药物、含 N - 甲基硫代四唑（NMTT）的抗生素和血管活性药物。

特征选择

通过逐步逻辑回归分析，从最初的 28 个变量中筛选出 16 个变量纳入最终模型，包括 APTT、AST、D - 二聚体、INR、PLT 计数、PT、收缩压、TT、年龄、钙、血管活性药物、非甾体抗炎药（NSAIDs）、抗凝剂、败血症、白血病和肾功能不全。

模型开发性能

六种机器学习模型的预测性能评估结果显示，RF 模型在准确率（0.856）、灵敏度（0.866）、Kappa 值（0.472）、阴性预测值（0.423）和召回率（0.866）方面表现最佳；而 XGB 模型在曲线下面积（AUC，0.908）、特异性（0.859）、阳性预测值（0.978）和精度（0.969）上优于其他模型。决策曲线分析（Decision Curve Analysis，DCA）进一步证实，XGB 模型在 DIC 预测中具有最大的净临床效益。综合评估，XGB 模型表现出更优的临床实用性，研究人员将其命名为 Alfalfa - PICU - DIC。

模型解释

为了深入了解模型的决策机制，研究人员运用 SHAP 分析确定了与危重症儿童 DIC 风险最相关的特征。结果表明，D - 二聚体、INR、PT、TT 和 PLT 计数是 DIC 的主要预测指标。此外，研究还发现 APTT、AST、年龄、使用血管活性药物和 NSAIDs、白血病共存与 DIC 风险呈正相关；而 PLT 计数升高、钙水平增加、收缩压升高和使用抗凝剂与 DIC 风险呈负相关。

个体预测解释

研究人员随机选取了验证队列中的一名 3.6 个月大的男童进行分析。该男童经 XGB 模型预测 DIC 风险为 14.8%。通过力图和瀑布图分析发现，D - 二聚体（4.17mg/L）、钙（0.85mmol/L）和 INR（6.34）是影响预测结果的前三大因素。在 PICU 住院期间，该男童未发生 DIC。

综上所述，本研究构建的 XGB 模型（Alfalfa - PICU - DIC）在早期识别危重症儿童 DIC 高风险方面表现卓越。这一模型能够为临床医生提供更准确的预测信息，有助于及时采取干预措施，降低 PICU 患者 DIC 的负担，改善危重症儿童的预后。不过，该研究也存在一定局限性，如回顾性研究可能存在数据缺失和选择偏倚，单中心研究限制了结果的普适性，且缺乏外部验证等。未来还需要进一步的研究加以完善，但此次研究无疑为危重症儿童 DIC 的早期预测开辟了新的道路，具有重要的临床意义和研究价值。