基于机器学习预测儿童疑似尿路感染尿培养阳性的模型构建与验证——附区域病原谱及抗菌药物耐药特征分析

《Annals of Medicine》:Construction and validation of a machine learning model for predicting urine culture positivity in children with suspected urinary tract infections

【字体: 大 中 小 】 时间:2026年10月09日 来源:Annals of Medicine 4.9

编辑推荐:

  背景:尿路感染(UTIs)在儿科中常见。本研究旨在开发并验证一种机器学习模型,用于预测疑似UTI患儿尿培养阳性率,并描述区域病原谱及抗菌药物耐药特征。 方法:收集疑似UTI患儿的临床和实验室数据。通过单变量分析、LASSO正则化及递归特征消除(RFE)筛选变量

  
背景:尿路感染(UTIs)在儿科中常见。本研究旨在开发并验证一种机器学习模型,用于预测疑似UTI患儿尿培养阳性率,并描述区域病原谱及抗菌药物耐药特征。 方法:收集疑似UTI患儿的临床和实验室数据。通过单变量分析、LASSO正则化及递归特征消除(RFE)筛选变量。利用所选变量构建机器学习模型,随后进行验证和可解释性分析。开发了一个网络应用程序以辅助早期预测尿培养阳性。 结果:0–12月龄婴儿占入组儿童的61.10%。尿培养总体阳性率为42.17%,男孩更高。革兰阴性菌主导病原谱,两种主要菌株对第一至第三代头孢菌素类耐药率高,而对β-内酰胺/β-内酰胺酶抑制剂复合制剂及碳青霉烯类敏感。使用七个变量构建了七种机器学习模型,其中随机森林(RF)模型表现最佳,验证集AUC为0.814(95% CI: 0.742–0.875),灵敏度为0.770(95% CI: 0.662–0.865)。建立了基于网络的在线计算器用于个体化预测。 结论:研究人员利用七项常规实验室参数开发了一种基于RF的在线工具,在预测儿科尿培养阳性方面展现出良好的性能。此外,所绘制的本地病原谱及抗菌药物耐药图谱有助于临床医生启动合理的经验性抗生素治疗。
研究背景
尿路感染(UTIs)是全球最常见的感染性疾病之一,每年约有1.5亿新发病例,给公共卫生系统带来沉重负担。儿童,尤其是5岁以下婴幼儿,是UTI的高危人群。由于儿科UTI症状和体征的非特异性,临床上漏诊和误诊现象普遍。虽然尿培养仍是诊断UTI的金标准,但其耗时24–48小时,不可避免地延迟靶向治疗并导致经验性抗生素过度使用。此外,在常规临床筛查中,约70%–80%的疑似患者送检尿液标本最终培养结果为阴性,这给临床实验室带来了不必要的负担。现有的快速筛查方法如尿干化学试纸条检测,其亚硝酸盐(NIT)试验敏感性低,白细胞酯酶(LEU)试验特异性不足,且两者均受光谱偏倚影响。其他方法如自动化尿沉渣分析仪也存在技术限制。因此,亟需一种快速、准确的筛查工具。
现有机器学习模型在成人UTI筛查中显示出潜力,但在儿科领域,已有模型常受限于狭窄的年龄范围(如仅纳入2个月至6岁或3岁以下发热儿童),限制了其在更广泛儿科人群中的适用性。为克服这些通用性和临床转化方面的不足,本研究回顾性分析了2023年至2025年0–17岁疑似UTI患儿的临床诊疗数据,旨在开发和验证基于常规临床参数的可解释机器学习模型,以快速预测尿培养阳性,并描绘区域病原谱和抗菌药物耐药特征,为经验性抗生素管理提供循证依据。
研究内容与结论
研究人员从福建省儿童医院回顾性纳入了2023年1月至2025年12月期间581例疑似UTI的患儿。通过整合三种特征选择方法(LASSO正则化、递归特征消除RFE、单变量分析)并结合临床相关性,最终确定了7个核心变量:性别、淋巴细胞绝对值(LY#)、C反应蛋白(CRP)、白细胞酯酶(LEU)、亚硝酸盐(NIT)、细菌计数(BACT)和尿白细胞计数(uWBC)。利用这7个变量构建了七种机器学习分类器(逻辑回归、支持向量机SVM、随机森林RF、梯度提升、K近邻KNN、XGBoost和LightGBM)。结果显示,随机森林(RF)模型表现最优,在内部验证集中AUC达到0.814(95% CI: 0.742–0.875),灵敏度为0.770(95% CI: 0.662–0.865),优于其他模型和单一的尿干化学指标。决策曲线分析(DCA)也证实了RF模型的临床净获益。研究人员还通过SHAP分析揭示了各变量的贡献方向:BACT、NIT、LEU升高增加预测风险,而LY#升高则降低风险。基于此,他们开发了一个交互式网络应用程序用于实时预测。
关键技术方法
研究人员采用了三项关键技术方法:第一,基于福建省儿童医院581例疑似UTI患儿(0–17岁)的回顾性队列数据;第二,运用集成特征选择策略,包括LASSO正则化、递归特征消除(RFE)和单变量分析,并结合临床专业知识确定7个核心变量;第三,构建并比较了七种机器学习模型,通过5折分层交叉验证和内部验证集评估性能,并采用SHAP算法对最优RF模型进行全局和局部可解释性分析。
研究结果
1. 队列基线特征与组间比较
入组的581名儿童中,0–12月龄婴儿占61.10%。尿培养阳性组中男孩比例更高(χ2=5.21, p<0.05)。发热在培养阴性组中更常见(χ2=28.92, p<0.001)。实验室指标方面,培养阳性组的LY#更低(p<0.05),CRP水平在阴性组更高(p<0.05)。尿检指标中,培养阳性组的LEU 3+或4+比例显著更高(p<0.001),NIT阳性率也更高(χ2=37.77, p<0.001),且uWBC和BACT均显著高于阴性组(p<0.0001)。
2. 微生物学结果
581例患儿中,尿培养总阳性率为42.17%(245例)。革兰阴性菌占83.27%,以大肠埃希菌(Escherichia coli, 72.55%)和肺炎克雷伯菌(Klebsiella pneumoniae, 10.78%)为主。革兰阳性菌占16.73%,主要为粪肠球菌(Enterococcus faecalis, 48.78%)和屎肠球菌(Enterococcus faecium, 39.02%)。大肠埃希菌和肺炎克雷伯菌对第一至第三代头孢菌素类耐药率较高(21.74%–65.38%),但对阿米卡星、哌拉西林/他唑巴坦、头孢哌酮/舒巴坦和美罗培南均高度敏感(耐药率<10%)。粪肠球菌对青霉素类和呋喃妥因敏感,而屎肠球菌对青霉素类耐药率>75%,两者均对万古霉素和利奈唑胺100%敏感。
3. 变量选择
通过Spearman相关分析发现中性粒细胞相关指标间存在高度冗余。LASSO回归选择了8个潜在预测因子;RFE识别出8个核心变量(排名第一);单变量分析显示BACT、NIT、uWBC和LEU是最强的个体预测因子。三者交集得到5个核心变量,结合临床重要性重新纳入BACT和uWBC,最终确定7个变量用于建模。
4. 机器学习模型评估
单变量ROC分析显示BACT是最强个体预测因子(AUC=0.730)。在内部验证集中,逻辑回归模型AUC为0.752,而非线性RF模型表现最佳,AUC达0.814(95% CI: 0.742–0.875),灵敏度最高(0.770)。XGBoost、梯度提升和LightGBM虽在训练集表现优异,但在验证集出现过拟合。校准曲线显示RF模型校准度中等(Brier评分0.188)。决策曲线分析(DCA)确认RF模型在较宽阈值概率范围内提供了比“全部治疗”或“不治疗”策略更高的净获益。
5. 模型可解释性与临床应用
SHAP分析显示,按重要性排序,前七位变量依次为BACT、LEU、NIT、uWBC、CRP、LY#和性别。Beeswarm图表明NIT和LEU升高显著增加预测概率。通过代表性病例的水fall图展示了单个样本的特征贡献。研究人员开发了交互式网络应用(https://uti-culture-predictor-eoatselvfx4naj4fkybxwb.streamlit.app/),可根据7个变量实时预测尿培养阳性风险。
讨论与结论
讨论部分指出,本研究开发的基于7个常规参数的RF模型在预测儿科尿培养阳性方面表现出良好性能,优于传统线性模型和单一尿干化学检测。该模型避免了依赖影像学指标(如肾脏超声或膀胱输尿管反流),使其更易在基层医疗中心推广应用。研究还强调了多指标联合筛查策略的必要性,因为单纯依赖LEU和NIT可能漏诊革兰阳性菌引起的UTI。局限性包括单中心设计、验证集较小、年龄分布偏倚(<3岁患儿占82%)以及SHAP仅展示相关性而非因果性。未来需进行前瞻性多中心研究以验证模型的普适性。
结论翻译:在这项研究中,研究人员建立了一个性能良好的随机森林(RF)模型,利用了七项常规临床和实验室参数,其性能优于单独的尿干化学测试和传统的线性模型。研究人员免费提供的网络计算器可作为快速预测儿科尿培养阳性的实用且经济高效的工具。重要的是,对于预测为培养阳性的儿童,研究人员关于局部病原模式及抗菌药物耐药的研究结果为临床医生选择经验性抗生素提供了及时的证据,从而改善儿科UTI的诊疗。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号