基于机器学习的痉挛型脑瘫患者血液生物标志物特征分析及其临床意义
《Frontiers in Neurology》:Machine learning—based analysis of blood biomarker features in spastic cerebral palsy and their clinical significance
【字体:
大
中
小
】
时间:2026年03月23日
来源:Frontiers in Neurology 2.8
编辑推荐:
摘要
背景:脑瘫(CP)是儿童时期最常见的运动障碍,其中痉挛性脑瘫(SCP)是最主要的亚型。然而,对于SCP患儿与健康同龄人在全身炎症状态和代谢特征方面的系统差异的研究仍然有限。本研究应用了一种可解释的机器学习框架,来评估和识别与炎症和代谢相关的生物标志物,这些标志物对疾病监测
摘要
背景:脑瘫(CP)是儿童时期最常见的运动障碍,其中痉挛性脑瘫(SCP)是最主要的亚型。然而,对于SCP患儿与健康同龄人在全身炎症状态和代谢特征方面的系统差异的研究仍然有限。本研究应用了一种可解释的机器学习框架,来评估和识别与炎症和代谢相关的生物标志物,这些标志物对疾病监测和针对性干预策略的制定具有潜在意义。
方法:在这项回顾性研究中,共纳入了330名痉挛性脑瘫患儿和150名健康对照组。收集了全血细胞计数和血清生化参数,并从中衍生出10个全身免疫-炎症指数。特征预选采用最小绝对收缩和选择算子(LASSO)回归方法进行,随后通过单变量和多变量逻辑回归来识别与结果独立相关的生物标志物。使用SHapley Additive exPlanations(SHAP)方法评估模型的可解释性,并根据SHAP值对特征重要性进行排序。应用限制立方样条(RCS)来评估关键指标与结果风险之间的潜在非线性关联,同时使用接收者操作特征曲线(ROC)来评估模型的区分性能。此外,根据Gross Motor Function Classification System(GMFCS)水平将SCP患儿分为重度组和轻度组,并分析了不同严重程度组之间的炎症和生化差异。数据按7:3的比例进行分层,训练集用于模型开发,测试集用于独立性能验证。
结果:多变量逻辑回归识别出7个独立相关的生物标志物:平均血小板体积(MPV)、总胆固醇(CHO)和胆红素结合蛋白(DBIL)是保护因素,而血小板分布宽度(PDW)、中性粒细胞百分比(BASO%)、甘油三酯(GLB)和平均红细胞血红蛋白浓度(MCHC)是风险因素。基于这些生物标志物构建的诺模图在区分SCP患儿和对照组方面表现良好;在独立测试集中,AUC为0.972(95% CI, 0.935–0.998)。在SCP亚组分析中,330名患儿根据GMFCS分为重度组(n = 160,级别4–5)和轻度组(n = 170,级别1–3)。多变量逻辑回归显示ALT和白细胞计数(WBC)与重度脑瘫呈正相关,而碱性磷酸酶(ALP)呈弱负相关。亚组模型的AUC在独立测试集中为0.717(95% CI, 0.615–0.817),表明其区分能力有限,因此应视为探索性结果。
结论:本研究系统地描述了区分痉挛性脑瘫患儿和健康对照组的炎症和代谢相关特征,并识别出与疾病严重程度相关的生物标志物。平均血小板体积(MPV)和血小板分布宽度(PDW)等指标可能作为监测疾病状态和评估干预效果的潜在生物学指标。
1 引言
脑瘫(CP)是一种终身性的运动和姿势障碍,由早产、难产、窒息或黄疸等因素引起的非进行性脑损伤所致。CP中的运动障碍常伴随感觉、感知、认知、沟通和行为的障碍,还可能伴有癫痫和继发性肌肉骨骼并发症(1)。在高收入国家,CP的患病率已从每1000个活产婴儿中的2.1例下降到1.6例,减少了40%。然而,在低收入和中等收入国家,CP的患病率仍然很高。痉挛性脑瘫(SCP)约占CP病例的80%(2, 3),其特征是肌张力增高、反射亢进和肌肉痉挛,常导致肢体畸形;在严重情况下,患者可能丧失正常行走能力。随着年龄的增长,代谢失调和免疫失衡逐渐显现,严重影响生活质量(4)。尽管如此,目前的临床管理主要侧重于物理康复,而针对SCP的全身炎症和代谢紊乱的针对性策略仍不充分,且尚未建立全面的生物标志物体系。
炎症越来越被认为是发育中的大脑中枢神经系统(CNS)损伤的重要因素。此外,痉挛性脑瘫的痉挛、疼痛、疲劳和其他继发表现可能导致代谢改变(5, 6)。因此,与代谢相关的研究为阐明脑瘫的复杂病理生理机制和开发潜在生物标志物提供了基础(7)。脑瘫患者的慢性炎症和代谢功能障碍相互作用,共同促进疾病进展。由于喂养困难、营养不良和活动受限等因素,受影响的儿童常表现出全血细胞计数和生化参数的异常。作为初级医疗保健中最常规和最具成本效益的检查方法,全血细胞计数和生化检测在儿科医疗和疾病筛查中得到广泛应用(8)。这些传统指标是监测和管理疾病的宝贵临床工具;因此,深入研究血液参数可能有助于了解脑瘫的病理基础,并有助于确定潜在的干预靶点。
2 方法
2.1 研究人群和数据收集
这项横断面研究包括330名被诊断为痉挛性脑瘫(SCP)的儿童和158名正常发育的儿童。参与者于2018年1月至2025年1月期间在北京中医药大学东直门医院和西安儿童医院接受评估。
纳入标准:根据《Cerebral Palsy: Modern Surgical Treatment and Rehabilitation》(9)中推荐的定义、分类和诊断标准确定SCP的诊断。符合条件的参与者年龄在3至12岁之间。
排除标准:(1)其他类型的脑瘫;(2)存在涉及心脏、肺、肝脏、肾脏或其他主要器官系统的严重并发症;(3)由其他原因引起的脑瘫(如感染、黄疸等);(4)可能导致类似脑瘫表现的其他情况,包括遗传性疾病、代谢性疾病或神经退行性疾病、脑肿瘤、创伤性脑损伤及相关疾病;(5)正在使用可能影响研究结果的药物或治疗干预措施,如免疫抑制剂(如甲氨蝶呤、硫唑嘌呤)、长期使用的全身性糖皮质激素、抗凝剂(如华法林、肝素)、抗血小板药物,或最近开始使用的铁补充剂等已知会影响血液学参数的药物;(6)存在血液系统疾病,如免疫缺陷或凝血异常;(7)过去2周内有急性感染或发热史。
健康对照组的纳入和排除标准:纳入标准:年龄在3至12岁之间,通过临床评估确认神经发育正常,体检无异常。排除标准:(1)存在涉及心脏、肺、肝脏、肾脏或其他主要器官系统的严重并发症;(2)正在使用可能影响研究结果的药物或治疗干预措施;(3)存在血液系统疾病,如免疫缺陷或凝血异常;(4)过去2周内有急性感染或发热史。
本研究获得了北京中医药大学东直门医院伦理委员会的批准(批准编号:2024DZMEC-292-03)。所有参与者及其法定监护人均签署了书面知情同意书。通过电子病历审查,收集了包括性别、年龄和一般病史在内的临床数据。血液实验室检测提供了血液学和生化参数,包括血小板计数、中性粒细胞计数、淋巴细胞计数、单核细胞计数、总胆固醇、甘油三酯、高密度脂蛋白和低密度脂蛋白。基于这些参数,我们计算了十个替代免疫-炎症指数:中性粒细胞与淋巴细胞比值(NLR)、血小板与淋巴细胞比值(PLR)、全身免疫-炎症指数(SII)、红细胞分布宽度与血小板比值(RPR)、平均血小板体积与血小板比值(MPR)、中性粒细胞与单核细胞比值(NMR)、中性粒细胞与白蛋白比值(NAR)和全身炎症综合指数(AISI)。
2.2 统计分析
所有统计分析均使用R(版本4.5.2)进行。连续变量的正态性通过Shapiro–Wilk检验进行评估。正态分布的变量以均值±标准差(SD)表示,非正态分布的变量以中位数(四分位数范围,IQR)表示。分类变量以计数(百分比)报告。组间比较使用独立样本t检验或Mann–Whitney U检验(对于连续变量),以及χ2检验或Fisher精确检验(对于分类变量)。按7:3的比例进行结果分层后,连续变量中的缺失值使用训练集的中位数进行插补,测试集也使用相同的插补参数。
2.3 LASSO回归分析
特征选择采用LASSO惩罚二元逻辑回归进行。在主要分析中使用了λ.1se(0.008134),而在敏感性分析中使用了λ.min(0.004655)。所有实验室变量和衍生指数均进行了标准化。通过10折交叉验证确定最佳惩罚参数,并保留系数非零的特征并按其绝对值排序。
共有488名参与者(158名健康对照组和330名痉挛性脑瘫患儿)被纳入研究,并按7:3的比例随机分为训练集(n = 341)和测试集(n = 147)。所有预处理步骤均在训练集内完成:连续变量中的缺失值使用训练集的中位数进行插补,Z分数标准化基于训练集的均值和标准差。测试集仅使用从训练集获得的插补和标准化参数进行处理。
2.4 单变量和多变量逻辑回归分析
使用LASSO选出的特征作为自变量,组别状态作为因变量,对每个候选预测因子进行单变量逻辑回归建模。在单变量分析中p<0.05的变量随后被纳入多变量逻辑回归模型,以调整潜在的混杂因素并识别独立相关的特征。结果通过森林图可视化,统计显著性定义为α=0.05。
2.5 限制立方样条(RCS)分析
从多变量逻辑回归中识别出的关键指标进一步使用限制立方样条(RCS;4个结点)进行检验。具体来说,在训练集的单变量逻辑回归模型中加入了RCS项,以组别状态(SCP vs. 对照组)作为因变量。使用Predict函数生成拟合效应,并使用ggplot2可视化每个指标与结果之间的潜在非线性关联。结果图以3×3布局组合并保存。
2.6 SHAP分析
在训练集上开发了一个随机森林模型(ntree=500),并使用fastshap(nsim=160,adjust=TRUE)计算测试集样本的SHAP值。模型预测结果通过基于SHAP的可视化方法进行解释,包括条形图、beeswarm图、依赖图和瀑布图。
2.7 诺模图开发和验证
基于选定的关键指标构建了一个多变量逻辑回归模型,并使用nomogram函数生成风险预测诺模图。使用calibrate函数和400次自助重采样进行模型校准,并绘制校准曲线。使用decision_curve函数进行决策曲线分析(DCA)以评估临床效用。此外,为每个单独指标和诺模图计算ROC曲线,并生成组合ROC图以确定最佳截断值。
2.8 多模型敏感性分析
为了评估主要发现的稳健性,我们在与主要分析相同的7:3训练/测试分层框架下进行了多模型敏感性分析。为了研究严重型(GMFCS水平4-5)和轻度型(GMFCS水平1-3)脑性瘫痪(SCP)之间的差异,我们构建并比较了广义线性模型(GLM)、随机森林(RF)和支持向量机(SVM)。在主要模型中,这三种算法都使用了多变量逻辑回归确定的独立特征作为输入变量;同样,亚组模型也使用了多变量逻辑回归确定的独立特征作为预测因子。训练集仅用于模型拟合和超参数调整,而独立的测试集仅用于最终性能评估。对于GLM,使用stats:glm实现了二元逻辑回归。对于RF模型,使用了random Forest包:在训练集内进行了mtry的网格搜索(mtry = 1到p,其中p表示特征数量;ntree = 600),并根据袋外(OOB)误差选择了最优的mtry;随后,模型在ntree = 800的情况下重新拟合。对于SVM模型,应用了e1071包和RBF核:特征使用训练集的均值和标准差进行了标准化,并通过5折交叉验证优化了gamma = 2^-4到2^1和cost = 2^-1到2^4的超参数。模型性能仅在测试集中进行评估。我们报告了AUC及其95%置信区间,该区间是通过自助重采样(1200次迭代)估计的,并提供了在最大Youden指数对应的阈值下的敏感性、特异性和准确性。三种算法之间的比较仅作为敏感性分析;主要推断基于基于逻辑回归的诺模图。
3 结果
3.1 使用LASSO回归细化临床特征
通过应用LASSO回归(其在变量选择和正则化方面的能力得到了广泛认可),我们有效地细化了基线数据集(基线特征见补充表S1)。在这项研究中,LASSO结合10折交叉验证得到的λ.min = 0.004655和λ.1se = 0.008134,在46个候选变量中。根据主要分析标准(λ.1se),保留了19个特征,而在敏感性分析标准(λ.min)下选择了23个特征。在λ.1se下,按绝对系数大小排名的前五个特征是:MPV(-1.889)、DBIL(-1.886)、PDW(1.819)、TBIL(1.131)和GLB(1.114);在λ.min下,前五个特征是:DBIL(-2.500)、PDW(2.246)、MPV(-2.227)、TBIL(1.753)和GLB(1.243)。这些结果表明,关键变量的排名与先前的分析趋势一致,并且在更严格的训练/测试分离框架下保持稳定。相应的可视化包括LASSO系数路径和交叉验证曲线(图1),而λ.min下的系数分布在补充图S1中提供。
3.2 与脑性瘫痪相关的单变量和多变量因素分析
单变量和多变量逻辑回归分析的结果分别展示在图2和补充图S2、S3中。对于最终的七个核心指标,单变量分析显示MPV(OR = 0.284,95%CI 0.225–0.360)、CHO(0.429,0.289–0.638)、DBIL(0.149,0.100–0.224)与保护作用相关,而PDW(5.267,3.248–8.540)、BASO%(2.609,1.408–4.835)、GLB(1.440,1.337–1.551)和MCHC(1.144,1.108–1.180)与风险增加相关(所有p < 0.01,图2)。
3.3 使用RCST探索免疫-炎症指标与脑性瘫痪之间的关联
受限立方样条(RCS)分析表明,并非所有指标都观察到非线性关联:MPV(P_nonlinear < 0.001)、CHO(P_nonlinear = 0.048)、BASO%(P_nonlinear < 0.001)和MCHC(P_nonlinear = 0.003)显示出统计学上显著的非线性关系,而DBIL(0.541)、PDW(0.905)和GLB(0.161)则主要表现出线性趋势。具体来说,MPV在大约8–9 fL处显示出明显的拐点,低于该值时脑性瘫痪的风险急剧增加。BASO%显示出S形关联,大约在0.5%处有一个转折点。此外,MCHC相关的风险在大约330–335 g/L以上趋于平稳。这些阈值可能为基于常规血液学参数的风险分层提供临床相关的参考值(图3)。
3.4 基于SHAP的特征重要性解释
根据随机森林模型计算了每个特征的SHAP值,并根据平均绝对SHAP值(Mean |SHAP|)对特征重要性进行了排名:MPV(0.1170)> DBIL(0.0963)> PDW(0.0904)> GLB(0.0642)> CHO(0.0607)> MCHC(0.0433)> BASO%(0.0150)。在这些特征中,MPV的贡献最大,表明其在区分SCP和健康对照组中起着核心作用。就贡献的方向性而言,PDW、GLB、MCHC和BASO%的较高值对疾病风险有正面贡献,而MPV、DBIL和CHO的较高值则有负面影响。这种模式与多变量回归分析中确定的保护/风险方向完全一致(图4、5;补充图S4–S6)。
3.5 诺模图的开发与验证
成功开发了一个包含七个特征的疾病风险预测诺模图,能够根据单个指标值快速估计疾病发生的概率。校准曲线显示预测概率和观察概率之间有很好的一致性。决策曲线分析(DCA)进一步支持了该模型在一系列阈值概率下的临床实用性。在独立测试集(n = 147)中,模型的AUC为0.972(95%CI 0.935–0.998,图6)。使用最大Youden指数确定最佳切点(0.159),模型的敏感性为0.990,特异性为0.917,准确率为0.966。组合ROC曲线表明,诺模图在AUC方面优于每个单独的指标,表明多指标整合具有更好的区分能力。组合ROC曲线显示在图7中。诺模图展示在图8A、B中,校准曲线展示在图9中。DCA图提供在补充图S7中,预测概率的分布和混淆矩阵分别展示在补充图S8、S9中。
3.6 亚组分析
根据GMFCS水平,330名脑性瘫痪儿童被分为两组:严重组(GMFCS水平4–5,n = 160)和轻度组(GMFCS水平1–3,n = 170)。使用SCP亚组数据集进行了单变量和多变量逻辑回归分析,并构建了探索性亚组诺模图和ROC曲线进行初步评估。多变量逻辑回归确定了三个仍然具有统计学显著性的特征(p < 0.05)。在亚组模型(严重型 vs. 轻度型)中,多变量逻辑回归显示ALT(OR = 1.032,95% CI 1.008–1.056,p = 0.009)和WBC(OR = 1.144,95% CI 1.037–1.262,p = 0.007)与严重脑性瘫痪呈正相关,而ALP(OR = 0.996,95% CI 0.992–1.000,p = 0.035)表现出弱负相关。在独立测试集(n = 99)中,亚组模型的AUC为0.717(95% CI 0.615–0.817)。在Youden最优阈值下,敏感性、特异性和准确率分别为0.667、0.804和0.737,表明具有中等区分性能。这一结果应被视为探索性的,不打算作为独立的临床决策工具。亚组分析结果提供在补充图S10–S16中。
3.7 多模型敏感性分析
在与主要分析相同的7:3训练/测试分割框架下,我们比较了三种算法:GLM、RF和SVM。在主要任务(对照组 vs. SCP)中,GLM的测试集AUC为0.972,RF为0.991,SVM为0.971。在亚组任务(严重型SCP vs. 轻度型SCP)中,GLM的测试集AUC为0.717,RF为0.552,SVM为0.543。这些结果表明三种模型在主要分类任务上的区分性能总体一致,而在亚组分类任务中GLM的表现优于RF和SVM(补充图S15–S18)。总体而言,这些发现支持继续使用更易于解释的基于逻辑回归的诺模图作为主要分析模型,多模型比较仅作为敏感性分析。
4 讨论
本研究使用了一个可解释的机器学习框架,确定了七个与SCP强烈相关的核心生物标志物:MPV、CHO和DBIL作为保护因素(在SCP患者中显著降低),而PDW、BASO%、GLB和MCHC作为风险因素(在SCP患者中显著增加)。其中,MPV显示出最高的SHAP贡献,突显了其潜在的中心病理生理作用。受限立方样条(RCS)分析进一步证明了MPV、BASO%、MCHC和CHO与SCP之间的显著非线性关联,并具有临床意义的拐点或阈值范围。相比之下,DBIL、PDW和GLB表现出线性关联,表明在观察到的值范围内效应逐渐增加或减少;因此,这些标志物的持续偏差需要临床关注。此外,亚组分析显示ALT和WBC与严重分级呈正相关,而ALP显示出弱负相关,表明疾病进展可能伴随着特定器官系统的负担增加。总体而言,这些发现揭示了SCP儿童中多维和相互关联的病理生理紊乱,为临床监测和干预提供了新的目标和思路。本研究中确定的七个与SCP相关的特征涵盖了多个病理生理维度——包括凝血/炎症、免疫、代谢和营养状态——共同构成了脑性瘫痪的系统生物标志物面板。关于凝血和炎症,血小板相关参数的变化值得特别关注。平均血小板体积(MPV)的降低通常与血小板生成减少或血小板反应性减弱有关,可能反映了慢性炎症条件下的巨核细胞生成或血小板释放受损。RCS分析显示MPV与SCP之间存在显著的非线性关联,拐点大约在8–9 fL。低于该值时,风险急剧增加,而高于该值时风险趋于平稳,表明这个拐点可能作为评估SCP儿童血小板功能的潜在临床相关切点。在随访过程中,如果MPV持续降低接近该阈值,临床医生应警惕慢性炎症加剧或骨髓造血功能抑制的可能性。应开始抗炎评估,并调查与骨髓抑制相关的因素(如某些抗惊厥药物的骨髓毒性)。相反,血小板分布宽度(PDW)的增加表明外周循环中血小板体积的异质性增加;这通常被视为血小板激活增强和周转加速的标志,与高凝状态和微血管内皮功能障碍密切相关。我们的发现表明,SCP儿童可能存在骨髓造血微环境的紊乱或慢性炎症介导的改变。血小板分布宽度的增加作为高凝状态的标志之一,加上儿童肢体运动的常见限制,表明临床医生应警惕血栓性疾病和长期血管风险的可能性。建议定期筛查深静脉血栓形成并在必要时进行物理抗凝干预。此外,血小板指数的异常本身反映了低级别的慢性炎症。炎症细胞因子会干扰正常的巨核细胞分化,导致血小板大小的增加,这与本研究中观察到的PDW增加一致。在免疫激活水平上,GLB的增加直接反映了体液免疫系统的持续激活。GLB代表多种蛋白质的集合,包括急性期蛋白质、补体成分和免疫球蛋白;因此,其增加是慢性系统炎症的明确信号。脑性瘫痪儿童中BASO%的增加进一步支持了免疫失调的存在。作为效应细胞,嗜碱性粒细胞参与过敏反应和抗寄生虫免疫,它们的数量波动也可能与特定慢性炎症途径的激活有关。RCS分析显示BASO%与SCP之间存在S形非线性关联,拐点大约在0.5%。超过这个水平时,风险趋于平稳,这与“剂量-饱和”免疫效应机制一致,表明嗜碱性粒细胞介导的免疫激活存在上限功能限制。因此,定期监测常规血液检查——特别是血小板指数和白细胞分类——可能有助于临床医生动态评估全身炎症负担和免疫状态,从而为及时开始或调整全身抗炎治疗提供依据。值得注意的是,一些患有共病癫痫的儿童需要长期使用抗癫痫药物(14),并且某些药物(如丙戊酸和卡马西平)已知会对免疫系统和骨髓造血产生复杂影响。这可能是一个潜在的混杂因素,导致血液细胞参数的微妙变化,在临床实践中解释结果时应予以仔细考虑(15-17)。在代谢和营养方面,多个指标的异常表明稳态受到了更严重的破坏。升高的MCHC通常表明红细胞内的血红蛋白浓度增加,这可能与血浆体积相对减少或血液粘度增加有关。后者会增加微循环阻力,从而可能加重大脑中已存在的缺血-缺氧损伤(18)。RCS分析显示MCHC与SCP之间存在显著的非线性关联。当MCHC低于330-335 g/L时,随着MCHC的升高,风险迅速增加,这表明这一范围是识别红细胞质量异常和监测受影响儿童微循环状态的敏感临床阈值。对于MCHC接近这一范围的儿童,临床医生应加强液体管理,并考虑使用辅助药物来改善微循环。同时,应评估营养性贫血的可能性,并纠正铁、叶酸等潜在的缺乏。胆固醇是中枢神经系统神经细胞膜和髓鞘的核心结构成分;胆固醇水平降低可能表明脑脂质代谢受损和营养储备不足。低胆固醇状态可能对神经元修复、髓鞘再生和膜稳定性产生不利影响(19, 20)。RCS分析进一步表明,CHO在4.0-4.5 mmol/L范围内存在一个方向性转折点:过低水平可能反映髓鞘合成所需的底物不足,而过高水平可能与代谢失调有关。临床上,应关注胆固醇是否保持在适当范围内,而不仅仅是考虑其单向变化。这一发现支持了对痉挛性脑瘫儿童进行动态营养干预的合理性。例如,如果CHO水平低于4.0 mmol/L,应考虑富含必需脂肪酸(如Omega-3)的饮食或特定的脂质补充剂(21),以促进神经系统的结构和功能恢复。直接胆红素是一种重要的内源性抗氧化剂。其水平降低可能反映抗氧化防御能力下降和/或消耗增加(22, 23),表明氧化应激在SCP的病理生理学中起作用(24)。当DBIL持续低于正常下限时,建议补充维生素E和维生素C等抗氧化剂,同时监测肝功能。总体而言,这些发现表明,未来SCP的管理策略应超越仅关注运动功能的康复范式,转向多维度、个性化的精准干预框架。这样的框架应整合有针对性的营养支持、适当剂量的抗氧化方法和系统的抗炎管理,同时密切监测用于共病的药物的潜在不良反应。本研究开发的诺模图基于七个常规血液检查指标,独立测试集AUC为0.972,显示出强大的区分能力。临床医生可以在每次随访时将测量值输入诺模图,计算炎症-代谢综合负荷评分。通过动态跟踪评分的变化,可以识别疾病加重的信号,并据此调整营养支持、抗炎治疗或药物计划。这为SCP儿童的长期个性化管理提供了定量参考。
关于与严重程度相关的生物标志物,本研究观察到严重脑瘫儿童的ALT和WBC呈上升趋势,而ALP则显示出弱负相关,共同表明涉及“肝脏-骨骼-免疫/炎症”轴的高多系统负担。升高的ALT通常表明肝细胞损伤或肝功能障碍,这可能是由于营养不良、长期使用抗癫痫药物或其他在脑瘫儿童中常见的代谢紊乱所致;因此,药物引起的肝损伤的可能性需要特别注意(25, 26)。ALP与严重脑瘫之间的弱负相关可能解释为严重受损儿童(GMFCS等级IV-V)长时间缺乏负重和自愿体力活动所致。机械负荷减少显著降低了成骨细胞活性,从而降低了骨转换率,减少了骨源性ALP的分泌。严重脑瘫儿童经常出现骨质疏松和低骨密度(27, 28),并且常常伴有营养不良和锌等微量元素的缺乏。由于ALP是一种依赖锌的酶,其活性可能直接受到营养状态的影响。升高的WBC则代表了全身炎症反应加剧的直接表现。基于这些关联,对严重脑瘫儿童的全面管理还应优先考虑肝保护、合理用药以减轻肝脏负担以及优化营养方案。此外,还需要加强康复训练和物理治疗以降低骨折风险,并积极补充钙、维生素D和微量元素(29),以支持骨骼发育和健康,以及更积极地控制全身炎症。亚组模型的AUC为0.717,表明具有中等区分能力。然而,所选标志物——ALT、WBC和ALP——每个都有明确的临床管理意义,可以直接帮助系统监测和干预决策。在方法学上,本研究实施了多阶段分析工作流程,以提高结果的稳健性和可解释性。首先,使用LASSO回归减少维度并从初始特征集中选择候选预测因子。随后,单变量和多变量逻辑回归分析确定了与痉挛性脑瘫相关的七个潜在生物标志物。然后应用RCS评估关键指标与结果风险之间的潜在非线性关系,并使用基于SHAP的可解释性框架量化特征贡献。最后构建了诺模图,并使用ROC分析、校准曲线和DCA评估模型性能,还使用三种替代建模方法进行了额外的敏感性分析。
然而,在解释结论时应考虑本研究的几个局限性。内部验证使用了7:3的训练/测试分割和400次自助重采样,结果表明模型具有良好的内部稳定性。补充材料中呈现的三种模型比较(GLM、RF和SVM)进一步支持了这一发现。然而,需要注意的是,所有参与者仅来自中国的两个医疗机构,缺乏在独立多中心队列中的外部验证。因此,报告的模型性能可能高估了其在更广泛人群中的普遍适用性。未来的研究应在多中心、前瞻性外部队列中验证模型的普遍性能和临床适用性。此外,这是一项回顾性研究,原始医疗记录中没有包含关于药物使用(如抗癫痫药物和肌肉松弛剂的类型、剂量和治疗持续时间)或营养状态标准化评估(如饮食摄入记录、微量营养素检测和进食及饮水能力分级系统)的详细信息。因此,我们无法进一步分层分析以评估药物暴露和营养状态对脑瘫儿童血液学参数的影响。我们建议未来的前瞻性研究系统地收集药物方案和标准化营养评估数据,以明确这些因素对血液学指标的独立贡献,从而为更精确的干预策略提供证据。
总之,通过整合常规可用的临床参数并应用可解释的机器学习方法,本研究系统地描绘了区分脑瘫儿童和健康对照组的独特炎症和代谢相关生物标志物谱。在这些生物标志物中,MPV在区分疾病状态方面表现出最高的预测价值。此外,ALT、ALP和WBC计数被确定为与运动功能障碍严重程度相关的独立生物标志物。总体而言,这些发现为理解SCP中的全身病理生理失调提供了新的实证证据,并为开发辅助诊断工具、实施疾病监测和制定多维度、个性化治疗策略奠定了重要的理论基础。然而,本研究的结论受到其横断面设计、来自有限人群来源的招募以及潜在未测量混杂因素的限制。因此,观察到的生物标志物关联需要在更大规模、多中心、前瞻性队列研究中进行验证,并在更广泛的人群环境中进行验证。未来的研究应旨在深入理解这些生物标志物的机制,并研究它们与临床结果的纵向关系,最终推进SCP管理向更精确和系统的护理发展。
生物通微信公众号
生物通新浪微博
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