基于标准数据集的川崎病临床辅助诊断模型评估研究

摘要

目的 依据川崎病(Kawasaki disease, KD)标准数据模型调查KD患儿的相关资料，探索基于标准数据集和隐私计算环境的医学人工智能算法比较模式。方法 选取2017年1月—2021年12月在上海市儿童医院住院的初诊为KD的998例患儿资料，其中包括不完全KD。根据KD的诊断标准和静脉注射免疫球蛋白(intravenous immunoglobulin, IVIG)治疗无应答诊断标准，分析KD患儿的性别、月龄和实际IVIG治疗无应答患儿比例。依据KD标准数据模型，构建标准数据集，部署安全计算环境，检验KD高危预测模型在不同发热天数患儿中的诊断一致性，并对比IVIG治疗无应答预测模型与Kobayashi预测模型的预测效率，评价2个模型的AUC的ROC及灵敏度和特异度。结果 本研究纳入的患儿月龄为(31.45±23.51)个月。其中，男性639例(64.03%),女性359例(35.97%)。IVIG治疗实际无应答患儿99例(99/998,9.92%),其中男性65例(65.66%),女性34例(34.34%)。根据KD高危预测模型判定为KD高危的患儿931例(931/998,93.29%),其中在发热病程<5 d的326例患儿中，被判定为KD高危的患儿312例(95.71%);在病程≥5 d的672例患儿中，被判定为KD高危的患儿619例(92.11%)。根据IVIG治疗无应答预测模型评分系统，将患儿分为IVIG无应答型KD组(683例)和IVIG敏感型KD组(315例)。与IVIG敏感型KD组相比，IVIG无应答型KD组的纤维蛋白原降解产物(FDP)、血清白蛋白和AST水平均显著升高(P值均<0.01),中性粒细胞与淋巴细胞比值(NLR)显著降低(P<0.01)。IVIG治疗无应答预测模型和Kobayashi预测模型的ROC的AUC分别为0.72(95%CI为0.67～0.78)和0.66(95%CI为0.58～0.70)。IVIG治疗无应答预测模型的灵敏度和特异度均为0.73,Kobayashi预测模型的灵敏度和特异度分别为0.29和0.89。结论 本研究使用院内搭建的隐私计算环境对KD标准数据集进行处理分析，表明IVIG治疗无应答预测模型预测汉族KD患儿IVIG治疗无应答的效率略优于Kobayashi预测模型。

关键词

川崎病 / 标准数据集 / 隐私计算 / 预测模型