《The Cleft Palate Craniofacial Journal》:Predicting Underweight Status in Infants With Cleft Lip and/or Palate in 10 US Children's Hospitals
编辑推荐:
目的:利用多中心电子健康档案(EHR)数据,开发并比较预测唇腭裂(CL/P)婴儿在4月龄时出现体重不足的模型。
设计:利用出生至3个月的数据,研究人员评估了63项人体测量学、临床、医疗资源利用及人口学变量,涵盖6种回归与机器学习模型,以识别体重不足状态的最强预
目的:利用多中心电子健康档案(EHR)数据,开发并比较预测唇腭裂(CL/P)婴儿在4月龄时出现体重不足的模型。
设计:利用出生至3个月的数据,研究人员评估了63项人体测量学、临床、医疗资源利用及人口学变量,涵盖6种回归与机器学习模型,以识别体重不足状态的最强预测因子,并分别按总体及唇腭裂类型进行分析。
场所:2009至2024年间,PEDSnet(一个全国性儿科学习健康网络)下属的10家美国儿童医院。
患者:年龄0至4.5月龄的唇腭裂婴儿。
主要结局指标:4月龄(范围3.5-4.5月)时的体重不足状态,定义为年龄别体重Z评分(WAZ)< ?2。
结果:在5717名唇腭裂婴儿中(19%唇裂,35%唇腭裂,46%腭裂),25.9%在4月龄时体重不足。最强的预测因子为早期(0-3个月)生长指标:平均WAZ(占预测价值的58%)、WAZ速度、平均年龄别身长Z评分(LAZ)及LAZ速度,以及儿童机会指数(COI,一种邻里社会经济指标;约2%)。这5项预测因子在每种唇腭裂类型中均占预测价值的85%以上。6种模型的判别能力相近(受试者工作特征曲线下面积(AUROC)0.87-0.90);GPBoost模型同时考虑了医院差异,其风险估计最接近实际体重不足婴儿比例。
结论:常规早期生长指标(WAZ、LAZ及其轨迹),结合邻里社会经济状况,可在4月龄前识别出处于体重不足高风险的唇腭裂婴儿,有助于颅面及初级保健团队为最高风险婴儿提供更及时的喂养与营养支持及转诊。
论文解读:基于早期生长轨迹与邻里社会经济机会预测唇腭裂婴儿4月龄体重不足的多中心机器学习模型研究
一、研究背景与意义
唇腭裂(CL/P)是全球最常见的先天性颅面畸形之一,每1000名活产婴儿中约有1.5例。唇腭裂婴儿面临显著高于非唇腭裂同龄儿的营养不良风险,其体重不足和生长迟缓的发生率是非唇腭裂婴儿的两倍以上。营养不良不仅增加感染、认知功能下降、教育成就低下甚至死亡等近期和远期不良健康结局的风险,还可能导致唇腭裂修复手术延迟以及再入院、瘘管等不良手术结局。尽管早期喂养支持和专用唇腭裂奶瓶已成为标准护理,但临床上仍缺乏基于证据的方法来识别处于营养不良最高风险亚群的婴儿,以便将额外的监测和支持资源精准投向最需要的个体。既往研究多为单中心、统计效能有限,且预测模型和机器学习方法虽已应用于唇腭裂研究的其他领域(如产前诊断、遗传病因分类、术后语音结局),但尚未用于识别哪些早期生活因素最能预测生长不良。因此,本研究利用PEDSnet这一涵盖10家美国三级儿童医院的全国性儿科学习健康网络,旨在开发和比较回归与机器学习模型,以确定最优预测模型及可操作的预测因素,帮助临床医生更早进行风险分层,针对个体特征制定监测方案,并将更密切的监测和更早的喂养或营养支持定向提供给最高风险婴儿。
二、主要技术方法
研究人员利用PEDSnet(一个整合美国多家儿童医院标准化EHR数据的全国性儿科学习健康网络,包含超过1500万患者和2亿次就诊记录)2009年1月1日至2024年12月31日期间来自10家参与医院的回顾性队列数据。研究对象为0至4.5月龄的唇腭裂婴儿,排除了早产儿(<37周胎龄)和非典型面裂患儿。研究比较了6种多变量建模方法:广义线性混合模型(GLMM)、弹性网络回归、随机森林、XGBoost、LightGBM和GPBoost。数据按分层随机抽样分为训练集(60%)、验证集(15%)和测试集(25%),超参数在训练集内通过按医院分组交叉验证进行调整,缺失值采用链式方程多重插补(MICE)处理。模型性能通过判别力(AUROC、AUPRC)、分类性能(准确度、灵敏度、特异度、PPV、NPV、F1分数)和校准度(Brier分数、校准截距和斜率)在独立测试集上评估,并采用SHAP值和基于增益的特征重要性两种互补方法描述预测因子的影响力。
三、研究结果
研究参与者:在12572名5月龄前就诊的唇腭裂婴儿中,排除早产和测量值不合理的婴儿后剩余10589名,其中5717名婴儿在3.5至4.5月龄窗口内有合格体重测量值,构成分析队列。其中1479名(25.9%)在4月龄时符合体重不足标准。按表型分,1065名(18.6%)为唇裂(CL),1992名(34.8%)为唇腭裂(CLP),2660名(46.5%)为腭裂(CP)。
医院评估:10家医院的样本量从268到892名不等,队列构成大体相似,但4月龄体重不足患病率因医院而异,从21.5%到47.0%不等。
模型性能与主要模型选择:GLMM基线的AUROC为0.87,其他模型略高(弹性网络0.88,4种机器学习模型0.89-0.90)。由于机器学习模型间判别力几乎相同,模型选择基于校准和分类性能。GPBoost的校准截距最接近零(?0.03),可能因其调整每家医院的预测以匹配该医院自身的体重不足率,且灵敏度最高(0.80),最终被选为主要模型。GPBoost在各唇腭裂类型中判别力一致(AUROC:0.88-0.90),灵敏度高(76%-92%),NPV高(91%-98%)。在CLP(截距?0.10)和CP(0.18)亚组中校准良好,但在事件数较少的CL亚组(27个事件)中校准不可靠。
总体唇腭裂婴儿体重不足状态的主要预测因子:总体而言,出生后前3个月的平均WAZ、WAZ速度和平均LAZ是体重不足状态的最强预测因子。单纯CL与较低预测风险相关。其他增加风险的预测因子包括前3个月仅1次就诊、较低的COI以及新生儿期早期首次就诊(0-2天)。LAZ速度、医院体重不足率和前3个月体重测量次数也有贡献,但效应较小且方向不明确。基于增益的特征重要性显示,前3个月平均WAZ占总增益的58%,WAZ速度占14%,平均LAZ占11%,LAZ速度和COI各约占2%,这5个预测因子合计占增益的87%。
多中心评估与性能异质性:在独立测试集上,GPBoost在10家医院间判别力一致(医院合并AUROC 0.90,I2=52.2%),支持其在PEDSnet各中心间的内部可迁移性。
补充与敏感性分析:所有预设敏感性分析结果均稳健。判别力在替代插补方法、扩大结局窗口、移除出生体重、以WLZ替代LAZ以及所有替代COI规格下均保持不变(AUROC 0.89,Brier 0.12)。留一中心交叉验证中AUROC范围为0.84至0.93(均值0.90)。事后Platt再校准将GPBoost的校准斜率从1.38修正至0.99,截距保持接近零(0.03),判别力不受影响。
生长预测因子的增量价值:移除WAZ速度和LAZ速度但保留平均WAZ和平均LAZ时,判别力小幅下降(AUROC:0.89至0.87);移除整个早期生长轨迹块时判别力大幅下降(AUROC 0.68)。
四、讨论与结论
研究讨论指出,虽然所有模型判别力相近,但校准度不同。GPBoost无需事后调整即可产生最居中的风险估计,因其随机效应成分将每家医院的预测锚定在该医院观察到的体重不足率上。早期人体测量学预测后期体重不足符合预期,但本研究的数据新增了关于哪些指标重要及其重要程度的特异性:在涵盖人体测量学、临床、医疗资源利用和人口学四个领域的63个候选预测因子中,一小部分常规收集的早期生长指标(平均WAZ、平均LAZ、WAZ速度,以及程度较小的LAZ速度)占据了4月龄体重不足预测信号的大部分,而其余临床和情境变量贡献甚微。COI虽总体增益贡献约2%,但在所有模型和唇腭裂类型中都是一致的预测因子,较低的邻里机会与较高的体重不足风险相关。医院层面因素作用适中但存在变异,10家医院间体重不足患病率差异显著(21.5%-47.0%)。研究提出4项实践建议:监测体重增长速度减速、在每次就诊时测量并记录体重和身长、对早期信号采取行动、利用社会经济和居住地数据识别生长监测和治疗资源获取障碍。研究结论指出,利用来自10家美国三级儿童医院的EHR数据,研究开发和验证了一个可在4月龄前识别唇腭裂婴儿体重不足高风险的模型,总体及按唇腭裂类型均适用。最强预测因子——早期年龄别体重Z评分(WAZ)、年龄别身长Z评分(LAZ)及其轨迹——已在常规护理中采集,可在4月龄前标记高风险婴儿。虽然前瞻性外部验证(包括亚组校准)是研究下一步所需,但当前数据支持早期、有针对性的生长监测。团队可跟踪WAZ、LAZ和体重速度,并在出生后前3个月对低或下降轨迹早期启动管理。对这些早期信号采取行动可能降低婴儿体重不足的比例,并为及时的一期唇腭裂修复提供营养准备支持。邻里社会经济状况也是体重不足的预测因子,为面临社会就医障碍的婴儿优先提供社会工作、家庭支持和社区服务,可能有助于解决营养不良和不良健康的社会驱动因素。