IVIG无应答型川崎病预测模型的研究进展

IVIG无应答型川崎病预测模型的研究进展

高源1  ,通讯作者：朱华2

1.内蒙古医科大学内蒙古临床医学院 呼和浩特 010020

1.2.内蒙古自治区人民医院儿科 呼和浩特 010017

【摘要】川崎病导致的冠状动脉损伤,已成为最常见的儿童获得性心脏病,IVIG联合阿司匹林治疗可降低其发生率｡部分患儿发生IVIG无应答,提高冠状动脉损伤的发生风险｡故提早预测IVIG无应答并给予加强措施有助于改善预后｡本文就IVIG无应答型川崎病预测模型进行综述｡

【关键词】川崎病;IVIG无应答;预测模型

【引言】

川崎病(KD)是一种急性全身性非特异性中小血管炎,冠状动脉损伤是其最重要的并发症,导致心肌缺血､心肌梗死甚至死亡[1]｡未经治疗的川崎病患儿中约25%会发生冠状动脉损伤,IVIG联合口服阿司匹林降低冠状动脉病变的发生率,仍有部分患儿发生IVIG无应答,从而达不到预期的治疗效果[2]｡

近年来分别有研究者在北京､苏州､兰州以及我国台湾地区对日本经典kobayashi评分进行验证,灵敏度分别为16%､72%､37.5%､30.95%,特异度分别为85%､62%､86.8%､82.02%[3-6]｡日本Egami评分系统进行验证,灵敏度分别为14%､44%､37.5%､13.1%,特异度分别为86%､82%､84.2%､93.64%[3-6]｡formosa评分进行验证,灵敏度分别为43%､68%､87.5%､67.86%,特异度分别为47%､48%､73.7%､62.28%[3-6],上述研究为新的IVIg无应答型KD的预测模型提供了数据支持｡

最早使用机器学习算法预测IVIg无应答型KD的研究在2020年Wang[7]等人发表,该研究分析644例KD患儿的临床数据,其中124例为IVIg无应答型KD,分别使用逻辑回归(L1和L1正则化)､决策树､随机森林､AdaBoost､梯度增强机(GBM)和lightGBM共7种算法构建IVIg无应答型川崎病预测模型,发现GBM算法构建的预测模型具有最好的预测效能,ROC曲线下面积0.7423,灵敏度30.43%,特异度99.19%｡

2021年Liu[8]等人回顾性分析了1398例KD患儿的数据,分别使用Logistic回归列线图､支持向量机(SVM)､XGBoost和LightGBM机器学习算法构建IVIg无应答型KD预测模型,灵敏度分别为61.7%､68.1%､63.8%和70.2%,特异度为71.2%､84.1%､96.7%和90.3%,ROC曲线下面积为0.731､0.814､0.804和0.874｡

2022年Huang[9]等人回顾性分析1293例KD患儿的临床数据,使用LASSO模型确定血红蛋白､中性粒细胞百分比､C反应蛋白､血清钠､血清碱性磷酸酶､冠状动脉损伤和完全KD作为IVIg无应答型KD的预测因子构建列线图,灵敏度为74%,特异度为64%,ROC曲线下面积为0.75｡

本文综述了与IVIG无应答型KD相关预测模型,包括了传统的多因素逻辑回归和新型的机器学习算法可以深度挖掘数据,可能是一个新的方向,可以更深度发掘临床数据｡以期对临床治疗提供思路,达到早期识别干预IVIG无应答,减少严重并发症的发生｡

[1]黄国英. 川崎病诊断和治疗面临的挑战 [J]. 中华儿科杂志, 2022, 60(01): 3-5.

[2]ZHENG X, LI J, YUE P, et al. Is there an association between intravenous immunoglobulin resistance and coronary artery lesion in Kawasaki disease?-Current evidence based on a meta-analysis [J]. Plos One, 2021, 16(3).

[3]SONG R, YAO W, LI X. Efficacy of Four Scoring Systems in Predicting Intravenous Immunoglobulin Resistance in Children with Kawasaki Disease in a Children's Hospital in Beijing, North China [J]. The Journal of pediatrics, 2017, 184: 120-4.

[4]QIAN W, TANG Y, YAN W, et al. A comparison of efficacy of six prediction models for intravenous immunoglobulin resistance in Kawasaki disease [J]. Italian journal of pediatrics, 2018, 44(1): 33.

[5]HUANG C N, WU F F, CHANG Y M, et al. Comparison of risk scores for predicting intravenous immunoglobulin resistance in Taiwanese patients with Kawasaki disease [J]. Journal of the Formosan Medical Association = Taiwan yi zhi, 2021, 120(10): 1884-9.

[6]汪利霞. 基于机器学习的IVIG不敏感川崎病的影响因素及早期识别模型研究 [D]; 兰州大学, 2021.

[7]WANG T, LIU G, LIN H. Correction: A machine learning approach to predict intravenous immunoglobulin resistance in Kawasaki disease patients: A study based on a Southeast China population [J]. PLoS One, 2021, 16(6): e0253675.

[8]LIU J, ZHANG J, HUANG H, et al. A Machine Learning Model to Predict Intravenous Immunoglobulin-Resistant Kawasaki Disease Patients: A Retrospective Study Based on the Chongqing Population [J]. Front Pediatr, 2021, 9: 756095.

[9]HUANG H, JIANG J, SHI X, et al. Nomogram to predict risk of resistance to intravenous immunoglobulin in children hospitalized with Kawasaki disease in Eastern China [J]. Annals of medicine, 2022, 54(1): 442-53.