目的探讨将机器学习方法应用于新生儿坏死性小肠结肠炎(necrotizing enterocolitis,NEC)诊断及严重程度分类的意义。方法回顾性分析2015年1月至2021年10月吉林大学第一医院新生儿科疑似NEC并行腹部影像学检查的新生儿临床资料,根据入选患儿(数据集1)是否符合改良Bell分期Ⅱ期以上分为NEC组和非NEC组,用于诊断预测分析;NEC组(数据集2)再根据是否为Bell分期Ⅲ期以上分为外科NEC组和内科NEC组,用于NEC严重程度分析。采用特征选择算法中的极端随机树、弹性网和递归特征消除法对全部变量进行筛选,通过逻辑回归、支持向量机(support vector machine,SVM)、随机森林和光梯度增强机等机器学习分类模型建立NEC诊断和严重程度预测模型。应用受试者工作特征曲线下面积(the area under the receiver operating characteristic curve,AUROC)、敏感度、特异度、阳性预测值和阴性预测值评估模型性能,选出最优模型。结果共纳入536例疑似NEC患儿。数据集1包括非NEC组302例、NEC组234例;数据集2包括内科NEC组164例、外科NEC组70例。极端随机树法筛出的变量在两个数据集中预测性能最佳,在NEC诊断分类模型中,SVM模型预测性能最佳,AUROC为0.932(95%CI 0.891~0.973),准确度0.844(95%CI 0.793~0.895),共确定11个预测变量,包括门静脉积气、发病时中性粒细胞百分比、肠腔扩张、发病时单核细胞计数等;在NEC严重程度预测模型中,SVM模型预测性能最佳,AUROC为0.835(95%CI 0.737~0.933),准确度0.787(95%CI 0.703~0.871),共确定25个预测变量,包括发病时日龄、C反应蛋白、中性粒细胞计数等。结论利用机器学习中的特征选择算法和SVM分类模型建立的新生儿NEC预测模型有助于NEC的诊断和疾病严重程度分类。
