Модель машинного обучения для прогнозирования резистентности к внутривенному иммуноглобулину при болезни Кавасаки: разработка и валидационное исследование

Введение: Резистентность к внутривенному иммуноглобулину (ВВИГ) при болезни Кавасаки повышает риск поражения коронарных артерий. Раннее прогнозирование этого состояния имеет большое значение для улучшения исходов. Целью исследования была разработка и валидация модели машинного обучения для прогнозирования резистентности к ВВИГ у детей с болезнью Кавасаки.

Методы: Для разработки модели использовали ретроспективную когорту пациентов с болезнью Кавасаки; внешнюю валидацию проводили в когортах из Фучжоу и Янчжоу, а также в проспективной когорте. Клинические и лабораторные показатели извлекали из электронных медицинских карт. Оценивали 12 алгоритмов; наилучшие результаты показал метод опорных векторов (SVM). Для оценки значимости признаков использовали значения SHAP (SHapley Additive exPlanations), после чего выполнили поэтапное исключение признаков. Эффективность модели оценивали по площади под ROC-кривой (AUC), калибровочным кривым и анализу кривой принятия решений (DCA). Была разработана веб-калькуляторная программа.

Результаты: В ретроспективную когорту разработки модели вошёл 2371 пациент с болезнью Кавасаки, в когорту из Фучжоу — 443, из Янчжоу — 198, а в проспективную когорту валидации — 253 пациента. Модель на основе SVM продемонстрировала AUC 0,782 при внутренней валидации, 0,746 и 0,759 во внешних когортах из Фучжоу и Янчжоу соответственно и 0,799 при проспективной валидации. В окончательную модель вошли 8 предикторов; анализ SHAP обеспечил глобальную и локальную интерпретацию вклада признаков. Модель также продемонстрировала хорошую калибровку и высокую чистую клиническую пользу в клинически значимом диапазоне порогов по результатам DCA.

Выводы: Модель машинного обучения на основе SVM, использующая рутинные клинические данные, потенциально пригодна для прогнозирования резистентности к ВВИГ при болезни Кавасаки и может способствовать ранней стратификации риска.