【摘要】 新生兒壞死性小腸結(jié)腸炎（NEC）是一種常發(fā)生在早產(chǎn)兒和低出生體重兒的嚴(yán)重腸道疾病，延遲治療可能會(huì)發(fā)生神經(jīng)發(fā)育遲緩、生長(zhǎng)發(fā)育不良、胃腸道狹窄、短腸綜合征、腸道功能衰竭等嚴(yán)重并發(fā)癥，早期診斷及干預(yù)有助于改善其預(yù)后。早產(chǎn)、腸內(nèi)喂養(yǎng)、腸道菌群異常定植、腸道黏膜缺血、感染等都是NEC發(fā)生的主要危險(xiǎn)因素，但具體發(fā)病機(jī)制尚未完全明確。臨床預(yù)測(cè)模型（CPMs）是利用數(shù)學(xué)公式估計(jì)當(dāng)前個(gè)體可能患有某病或?qū)?lái)發(fā)生某結(jié)局的概率模型。近年來(lái)，通過(guò)臨床特征、實(shí)驗(yàn)室指標(biāo)、生物學(xué)標(biāo)志物、微生物等信息構(gòu)建的CPMs對(duì)NEC的疾病診斷發(fā)揮著重要作用。然而，研究結(jié)果卻不相一致，缺乏對(duì)NEC診斷預(yù)測(cè)模型的總結(jié)概括以推動(dòng)臨床實(shí)踐。本文就傳統(tǒng)統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)（ML）所構(gòu)建的NEC診斷模型展開綜述。

【關(guān)鍵詞】 新生兒壞死性小腸結(jié)腸炎 臨床預(yù)測(cè)模型 傳統(tǒng)統(tǒng)計(jì)方法 機(jī)器學(xué)習(xí)

Research Progress of Clinical Prediction Models in Diagnosis of Neonatal Necrotizing Enterocolitis/LIU Daicheng， WANG Huabin， REN Xueyun. //Medical Innovation of China， 2024， 21（23）： -188

[Abstract] Neonatal necrotizing enterocolitis （NEC） is a serious intestinal disease that often occurs in preterm and low birth weight infants， and delayed treatment may lead to serious complications such as neurodevelopmental delay， poor growth and development， gastrointestinal stricture， short bowel syndrome， intestinal failure， early diagnosis and intervention can help improve its prognosis. Preterm birth， enteral feeding， abnormal colonization of intestinal flora， intestinal mucosal ischemia， and infection are the main risk factors for the occurrence of NEC， but the specific pathogenesis is not fully understood. Clinical prediction models （CPMs） is a probability model that uses mathematical formulas to estimate the current individual may have a disease or a future outcome. In recent years， CPMs constructed by clinical features， laboratory indicators， biological markers， microorganisms and other information plays an important role in the diagnosis of NEC. However， the results of the study are inconsistent， and there is a lack of summary generalizations of the NEC diagnostic predictive model to advance clinical practice. This paper reviews the NEC diagnostic models constructed by traditional statistical methods and machine learning （ML）.

[Key words] Neonatal necrotizing enterocolitis Clinical prediction models Traditional statistical methods Machine learning

doi：10.3969/j.issn.1674-4985.2024.23.042

新生兒壞死性小腸結(jié)腸炎（neonatal necrotizing enterocolitis，NEC）是一種嚴(yán)重的腸道破壞性炎癥疾病，主要發(fā)生于早產(chǎn)兒和低出生體重兒，其病死率高，對(duì)家庭和社會(huì)造成巨大經(jīng)濟(jì)負(fù)擔(dān)^[1]。研究證實(shí)早產(chǎn)、腸內(nèi)喂養(yǎng)、腸道菌群異常定植、腸道黏膜缺血、感染等都是NEC發(fā)生的主要危險(xiǎn)因素^[2-3]，但確切病因及機(jī)制仍不明確。NEC常見(jiàn)的并發(fā)癥包括神經(jīng)發(fā)育遲緩、生長(zhǎng)發(fā)育不良、胃腸道狹窄、短腸綜合征、腸道功能衰竭等難以處理的疾病^[4-5]，其中高達(dá)61%的幸存者有明顯的神經(jīng)發(fā)育遲緩，嚴(yán)重影響患兒遠(yuǎn)期生活質(zhì)量^[6]。據(jù)報(bào)道，貝爾Ⅱ/Ⅲ期NEC患兒比貝爾Ⅰ期NEC患兒有更為嚴(yán)重的并發(fā)癥^[7]。因此，NEC的早期診斷和早期干預(yù)對(duì)疾病的發(fā)生發(fā)展極為重要。近年來(lái)，NEC受到兒科醫(yī)師的廣泛關(guān)注，通過(guò)臨床癥狀、實(shí)驗(yàn)室指標(biāo)、生物標(biāo)志物、微生物等信息構(gòu)建的臨床預(yù)測(cè)模型（clinical prediction models，CPMs）對(duì)NEC的疾病診斷發(fā)揮著重要作用。然而，研究結(jié)果不相一致，缺乏對(duì)NEC診斷的有效預(yù)測(cè)及總結(jié)概括去推動(dòng)臨床實(shí)踐。因此，本文就臨床預(yù)測(cè)模型在診斷NEC方面的研究進(jìn)展來(lái)展開綜述。

1 CPMs的定義

CPMs又稱臨床預(yù)測(cè)規(guī)則、風(fēng)險(xiǎn)預(yù)測(cè)模型、預(yù)測(cè)模型或風(fēng)險(xiǎn)評(píng)分，主要指利用數(shù)學(xué)公式估計(jì)當(dāng)前特異性個(gè)體可能患有某種疾病或?qū)?lái)發(fā)生某種結(jié)局的概率模型，包括診斷模型和預(yù)后模型，通常需要經(jīng)過(guò)模型的構(gòu)建、內(nèi)外部驗(yàn)證、評(píng)估等多個(gè)步驟才能應(yīng)用于臨床^[8]。這類模型在醫(yī)學(xué)領(lǐng)域中不斷涌現(xiàn)，其目標(biāo)往往是指導(dǎo)患者的風(fēng)險(xiǎn)分層，并協(xié)助為個(gè)體患者做出最優(yōu)決策^[9]。

2 CPMs的內(nèi)容

CPMs的建立包括確立研究問(wèn)題、選擇數(shù)據(jù)來(lái)源、篩選預(yù)測(cè)變量、處理預(yù)測(cè)變量、建立預(yù)測(cè)模型、驗(yàn)證和評(píng)估預(yù)測(cè)模型、呈現(xiàn)預(yù)測(cè)模型等多個(gè)步驟^[8]。數(shù)據(jù)來(lái)源的方式有公共數(shù)據(jù)庫(kù)、醫(yī)院臨床數(shù)據(jù)、電子病例信息等數(shù)據(jù)庫(kù)。篩選預(yù)測(cè)變量的方法包括基于單因素的回歸結(jié)果、逐步回歸、全子集回歸、Lasso回歸、彈性網(wǎng)絡(luò)等。建立預(yù)測(cè)模型時(shí)選擇合適的統(tǒng)計(jì)方法非常重要，如NEC診斷模型的建立通常選用多因素logistic回歸分析，而預(yù)后模型的建立則多選用Cox回歸分析。除了上述傳統(tǒng)統(tǒng)計(jì)方法外，近年來(lái)機(jī)器學(xué)習(xí)（medical learning，ML）在臨床預(yù)測(cè)模型方面同樣得到廣泛應(yīng)用^[10]。模型的驗(yàn)證和評(píng)估包括內(nèi)部驗(yàn)證和外部驗(yàn)證^[11]。內(nèi)部驗(yàn)證的目的是驗(yàn)證模型開發(fā)的可重復(fù)性，且能夠評(píng)價(jià)模型是否存在過(guò)擬合現(xiàn)象，一般包括交叉驗(yàn)證、Bootstrap驗(yàn)證和隨機(jī)劃分驗(yàn)證；外部驗(yàn)證包括時(shí)間驗(yàn)證和空間驗(yàn)證，主要考查模型的移動(dòng)及廣泛應(yīng)用性；同時(shí)用區(qū)分度、校準(zhǔn)度等來(lái)評(píng)價(jià)預(yù)測(cè)模型的準(zhǔn)確性^[12]。目前模型可視化的呈現(xiàn)方式主要包括評(píng)分系統(tǒng)、風(fēng)險(xiǎn)圖、列線圖（nomogram）、網(wǎng)頁(yè)或計(jì)算機(jī)程序（APP）等^[13]。

3 傳統(tǒng)統(tǒng)計(jì)模型在診斷NEC中的研究進(jìn)展

在用CPMs診斷NEC的發(fā)展進(jìn)程中，傳統(tǒng)統(tǒng)計(jì)模型即logistic回歸分析，是最為基礎(chǔ)、常用的一類。

3.1 臨床指標(biāo)

LaGamma等^[14]在1985年進(jìn)行了一項(xiàng)單中心回顧性研究，首次提出了NEC風(fēng)險(xiǎn)評(píng)估工具（NEC risk score，NRS），包括9項(xiàng)指標(biāo)，出生體重、胎齡、出生后5 min的Apgar評(píng)分、氧氣需求、機(jī)械通氣、低血壓、癲癇或腦室出血、動(dòng)脈導(dǎo)管未閉、臍靜脈置管，但在1994年McKeown等^[15]研究發(fā)現(xiàn)NRS并不能有效預(yù)測(cè)NEC，其原因可能是NRS納入了較多呼吸相關(guān)變量，而大部分風(fēng)險(xiǎn)評(píng)分表明呼吸相關(guān)因素與NEC的關(guān)系是間接的、非獨(dú)立的。因此，NRS的臨床應(yīng)用價(jià)值還有待考究。在2008年Moss等^[16]嘗試了僅基于臨床參數(shù)建立進(jìn)展期NEC風(fēng)險(xiǎn)預(yù)測(cè)模型，共確定了12種與進(jìn)展期NEC相關(guān)的獨(dú)立預(yù)測(cè)因子，但納入的預(yù)測(cè)因子單一，并不能根據(jù)診斷NEC時(shí)的臨床參數(shù)就去預(yù)測(cè)進(jìn)展期高風(fēng)險(xiǎn)患兒。該研究提示僅對(duì)臨床參數(shù)的分析并不會(huì)對(duì)進(jìn)展期NEC的預(yù)測(cè)有顯著效果，未來(lái)的研究還需考慮更為先進(jìn)的生物學(xué)標(biāo)志物。

3.2 生物學(xué)標(biāo)志物

生物學(xué)標(biāo)志物可在新生兒血液、糞便或尿液中提取，對(duì)其進(jìn)行定量分析從而實(shí)現(xiàn)NEC早期預(yù)測(cè)和診斷^[17-18]。Sylvester等^[19]建立的FGA模型證明了臨床參數(shù)和生物標(biāo)志物（3個(gè)尿液多肽生物標(biāo)志物，即纖維蛋白原多肽：FGA1826、FGA1883和FGA2659）的結(jié)合能夠早期診斷NEC進(jìn)展期患兒，受試者操作特征（receiver operating characteristic，ROC）曲線下面積（AUC）為0.856，能準(zhǔn)確識(shí)別高風(fēng)險(xiǎn)患兒。雖然該模型目前僅限于患者分診工具的使用，但進(jìn)一步完善該工具有可能提高對(duì)NEC患兒的護(hù)理水平。Heath等^[20]通過(guò)一項(xiàng)前瞻性的多中心診斷性研究認(rèn)為堿性磷酸酯酶是首要診斷NEC的生物學(xué)標(biāo)志物，其含量和活性預(yù)測(cè)進(jìn)展期NEC的AUC分別為0.97和0.76（P<0.01），對(duì)于疑似NEC，其含量預(yù)測(cè)AUC也高達(dá)0.97（P<0.01），并能將NEC與敗血癥等其他炎癥疾病區(qū)分開來(lái)。但還需注意檢測(cè)操作的統(tǒng)一性和規(guī)范性。

3.3 胎齡

2011年González-Rivera等^[21]首次建模研究了胎齡對(duì)NEC發(fā)病時(shí)間的影響。研究結(jié)果表明，診斷NEC的時(shí)間與胎齡之間的關(guān)系是非線性的，胎齡較小的患兒發(fā)病時(shí)間更晚。但由于其回顧性研究的性質(zhì)，限制了考慮可能影響發(fā)病年齡的潛在變量，結(jié)果還有待驗(yàn)證。然而，在2014年Gordon等^[22]通過(guò)收集全國(guó)性研究數(shù)據(jù)結(jié)果表明，NEC的發(fā)病時(shí)間與胎齡成反比線性關(guān)系。在以往胎齡對(duì)NEC影響的研究基礎(chǔ)上，Battersby等^[23]通過(guò)一項(xiàng)多中心前瞻性研究開發(fā)了胎齡特異性有序NEC評(píng)分。該評(píng)分具有胎齡特異性截?cái)嘀档亩质讲±x，與佛蒙特牛津病例定義^[24]相比，評(píng)分表現(xiàn)更好。該評(píng)分工具包括：腹部紅斑（1分）、腹部壓痛（1分）、腹脹（1分）、一種或多種腹腔積氣/固定腸袢和門靜脈積氣（1分）、血便（2分）、腸壁積氣征（3分），總分為1～9分；將不同胎齡層共分為四組，不同胎齡組所對(duì)應(yīng)的NEC發(fā)生風(fēng)險(xiǎn)不一樣：當(dāng)臨界評(píng)分≥2分（胎齡<30周）、≥3分（30周≤胎齡<37周）、≥4分（胎齡≥37周）時(shí)，均視為高風(fēng)險(xiǎn)NEC患兒。其研究的主要目的是開發(fā)一個(gè)簡(jiǎn)單實(shí)用的特異性胎齡二分類病例定義，犧牲了一定的準(zhǔn)確度。該病例定義不能用來(lái)指導(dǎo)臨床決策，僅是提供了一個(gè)客觀的風(fēng)險(xiǎn)度量。因此，胎齡與NEC發(fā)病時(shí)間的關(guān)系目前還存在爭(zhēng)議，有待考究。

4 模型呈現(xiàn)方式

4.1 評(píng)分系統(tǒng)

由Gephart等^[25]構(gòu)建的eNEC?評(píng)分工具，對(duì)出生1個(gè)月內(nèi)的患兒情況每周評(píng)估一次。該評(píng)分工具的風(fēng)險(xiǎn)因素得分采用逐級(jí)疊加且不可消除的方式，可以提醒醫(yī)護(hù)人員對(duì)高風(fēng)險(xiǎn)患兒及時(shí)干預(yù)和處理。但該評(píng)分工具納入的風(fēng)險(xiǎn)因素過(guò)多，并且需風(fēng)險(xiǎn)因子權(quán)重驗(yàn)證和最佳評(píng)分頻率驗(yàn)證，限制了其在臨床上的應(yīng)用。在此基礎(chǔ)上，2014年開發(fā)的GutCheckNEC風(fēng)險(xiǎn)評(píng)估工具共納入了9項(xiàng)風(fēng)險(xiǎn)指標(biāo)包括胎齡、庫(kù)存紅細(xì)胞輸注史、所在病房NEC發(fā)生率、晚發(fā)膿毒癥、多重感染、肌力藥物治療低血壓、黑人或西班牙人種族、院外出生狀態(tài)和代謝性酸中毒，總分共58分。當(dāng)?shù)梅?gt;32分時(shí)，其診斷NEC的敏感度和特異度較好（AUC為0.72）。該評(píng)分工具反映了NEC的發(fā)生風(fēng)險(xiǎn)不僅與患兒自身有關(guān)還與新生兒監(jiān)護(hù)病房的護(hù)理策略有關(guān)^[26]。Rozé研究團(tuán)隊(duì)證實(shí)新生兒監(jiān)護(hù)病房中的喂養(yǎng)策略與NEC的發(fā)生風(fēng)險(xiǎn)相關(guān)^[27]。Naberhuis等^[28]在此基礎(chǔ)上開發(fā)了喂養(yǎng)不耐受早產(chǎn)兒NEC評(píng)估工具：包括胎齡、出生體重、喂養(yǎng)類型、產(chǎn)后嬰兒因素、呼吸窘迫（輔助通氣>24 h）、先天性心臟病或動(dòng)脈導(dǎo)管未閉、出生時(shí)缺氧或窒息、膿毒癥、抗生素使用≥5 d、宮內(nèi)生長(zhǎng)受限或小于胎齡兒、圍生期母體因素、絨毛膜羊膜炎、懷孕時(shí)非法吸毒、胎盤早剝、早產(chǎn)胎膜早破、延遲破膜、嬰兒舒張末期血流缺失或反向等共44分。1～5分表示患兒處于低風(fēng)險(xiǎn)，6～8分為中風(fēng)險(xiǎn)，≥9分為高風(fēng)險(xiǎn)。該工具方便醫(yī)護(hù)人員使用，但其研究樣本量少、變量多，臨床實(shí)用性還有待評(píng)估。Fox等^[29]前瞻性開發(fā)的NEC早期e8al4hQk9Pj9PtZ/qk8nIvsYI6gJudAUIdLjjx2x1vo=預(yù)警評(píng)分（neonatal necrotizing enterocolitis early detection score，NeoNEEDS）工具包括：行為、心血管系統(tǒng)、酸堿失衡、毛細(xì)血管再充盈時(shí)間、呼吸、腹部情況和喂養(yǎng)耐受性。當(dāng)患兒出生體重<1 000 g或胎齡<28周，有配方奶喂養(yǎng)時(shí)，分?jǐn)?shù)再各加1分；評(píng)分≥5分時(shí)，預(yù)測(cè)早期腸功能障礙（Ⅰ期NEC）敏感度高達(dá)95%，提醒需做腹部X線進(jìn)行排查。除此之外，該工具還能客觀識(shí)別患兒生命體征和體格檢查的每日基線變化，并評(píng)估4 h內(nèi)生命體征期間得分模式的動(dòng)態(tài)變化。雖然該得分系統(tǒng)在預(yù)測(cè)NEC方面具有較高準(zhǔn)確性，但行為、心血管系統(tǒng)、酸堿失衡評(píng)分指標(biāo)缺乏一定的特異性。

4.2 列線圖

CPMs的呈現(xiàn)方式有很多種，與人工神經(jīng)網(wǎng)絡(luò)、回歸樹模型、評(píng)分系統(tǒng)等相比，列線圖更簡(jiǎn)便、可視性更強(qiáng)^[30]。劉延霞等^[31]回顧性分析了1 137名新生兒臨床資料，采用logistic回歸模型分析顯示，胎齡<32周、出生體重<1.5 kg、合并感染性休克、合并敗血癥、合并妊娠期糖尿病、人工喂養(yǎng)為影響新生兒NEC發(fā)生的獨(dú)立危險(xiǎn)因素。AUC為0.714，Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)P=0.447，繪制的校準(zhǔn)曲線斜率接近1，具有良好的區(qū)分度與準(zhǔn)確度。該研究并沒(méi)有區(qū)分建模集、驗(yàn)證集和構(gòu)建NEC臨床決策曲線，因此臨床實(shí)用性還有待評(píng)估。在此基礎(chǔ)上，Liu等^[32]收集了752例極早產(chǎn)兒為研究對(duì)象，包括2015—2020年極早產(chǎn)兒（建模集）654例和2021年極早產(chǎn)兒98例（驗(yàn)證集），確定的獨(dú)立危險(xiǎn)因素包括新生兒窒息、敗血癥、休克、低白蛋白血癥、嚴(yán)重貧血及配方奶喂養(yǎng)。AUC分別為0.833和0.826，校正曲線和Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)均顯示該模型在預(yù)測(cè)值和真實(shí)值之間的一致性較好。因此，該列線圖模型可為極早產(chǎn)兒NEC的發(fā)生提供簡(jiǎn)便直觀的工具。盡管該模型進(jìn)行了時(shí)間外部驗(yàn)證，但由于時(shí)間跨度較長(zhǎng)、早年醫(yī)療水平有限，未能收集到更多與NEC發(fā)生風(fēng)險(xiǎn)因素相關(guān)的數(shù)據(jù)。所以遠(yuǎn)期還需多中心前瞻性的收集特異性NEC風(fēng)險(xiǎn)指標(biāo)來(lái)提高模型的穩(wěn)定性。在2022年Kordasz等^[2]通過(guò)多中心回顧性研究確定了低Apgar評(píng)分、低血紅蛋白濃度、高乳酸水平、存在先天性心臟病或小兒動(dòng)脈導(dǎo)管未閉與NEC患兒發(fā)生NEC貝爾分期Ⅲ期顯著相關(guān)，幫助臨床醫(yī)生早期識(shí)別晚期NEC，在腸穿孔前及時(shí)行手術(shù)或其他干預(yù)治療。

5 ML在診斷NEC中的應(yīng)用

近年來(lái)，ML已被廣泛用于解決各種醫(yī)學(xué)問(wèn)題，提高了疾病診斷系統(tǒng)的可靠性、可預(yù)測(cè)性和準(zhǔn)確性^[33]。與傳統(tǒng)統(tǒng)計(jì)方法不同，ML是算法在做決策時(shí)模仿人類認(rèn)知的過(guò)程^[34]。ML主要分為三類：強(qiáng)化學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、有監(jiān)督學(xué)習(xí)^[35]。強(qiáng)化學(xué)習(xí)主要由智能體、環(huán)境、狀態(tài)、行動(dòng)、獎(jiǎng)勵(lì)五個(gè)基本成分組成；無(wú)監(jiān)督學(xué)習(xí)主要分為：聚類、離散點(diǎn)檢測(cè)和降維^[36-37]；監(jiān)督學(xué)習(xí)主要包括決策樹、線性回歸、樸素貝葉斯和支持向量機(jī)等^[38-39]。

5.1 臨床指標(biāo)

Mueller等^[40]開發(fā)了一種利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)NEC高風(fēng)險(xiǎn)的算法診斷NEC。該研究收集的單中心回顧性研究數(shù)據(jù)包括197例早產(chǎn)兒。在納入的57個(gè)變量中，小于胎齡兒和機(jī)械通氣被定為首要和次要影響NEC發(fā)生的指標(biāo)。但由于該人工神經(jīng)網(wǎng)絡(luò)使用的變量少，并不能有效預(yù)測(cè)NEC這一類復(fù)雜性疾病，還需進(jìn)一步建模，確定更多預(yù)測(cè)變量，開發(fā)一系列人工神經(jīng)網(wǎng)絡(luò)去預(yù)測(cè)NEC。

5.2 生物學(xué)標(biāo)志物和腸道微生物

研究報(bào)道，腸道神經(jīng)感受器可調(diào)節(jié)腸道微生物群的平衡，以預(yù)防NEC的發(fā)生^[41]。Rusconi等^[42]利用聚類的方法表明腸道神經(jīng)酰胺減少和鞘磷脂增加可作為NEC的前期表現(xiàn)。但所收集的樣本量少，還需進(jìn)一步驗(yàn)證。Olm等^[43]對(duì)早產(chǎn)兒的1 163份糞便樣本進(jìn)行基因組分辨和宏基因組分析，共確定了預(yù)測(cè)NEC的微生物特征包括基因、菌株類型、真核生物、噬菌體、質(zhì)粒和生長(zhǎng)速率。ML分類器發(fā)現(xiàn)在NEC診斷前采集的樣本中含有更多的克雷伯桿菌和基因能編碼出菌毛的細(xì)菌，且在NEC診斷的前2 d所有的細(xì)菌尤其是腸桿菌科細(xì)菌增殖率顯著升高。該研究表明腸道菌群的異常增殖可預(yù)測(cè)早期NEC，并提供了一個(gè)可能基于微生物靶點(diǎn)治療的方向。Lin等^[17]開發(fā)了一個(gè)動(dòng)態(tài)的、可追蹤解釋的、基于神經(jīng)網(wǎng)絡(luò)的獨(dú)立微生物DNA序列架構(gòu)解決方案，用于縱向預(yù)測(cè)早產(chǎn)兒群體的NEC發(fā)生風(fēng)險(xiǎn)。該研究在兩個(gè)隊(duì)列的獨(dú)立數(shù)據(jù)集上進(jìn)行測(cè)試，包括來(lái)自261例風(fēng)險(xiǎn)嬰兒的3 595個(gè)糞便樣本，同時(shí)還引入了一個(gè)“增長(zhǎng)袋”分析的新概念，它隨著時(shí)間的推移應(yīng)用于多示例學(xué)習(xí)，允許將過(guò)去的數(shù)據(jù)納入每一個(gè)新的風(fēng)險(xiǎn)中計(jì)算。其平均敏感度為86%，特異度為90%，真陽(yáng)性NEC預(yù)測(cè)平均發(fā)生在發(fā)病前第8天。故該方法可以更早期準(zhǔn)確的預(yù)測(cè)NEC。此外，該研究還可能對(duì)NEC發(fā)病機(jī)制的新假設(shè)指明方向。

5.3 影像學(xué)

van Druten等^[44]基于深度學(xué)習(xí)模型，以自動(dòng)化方式對(duì)腹部X射線圖像（abdominal radiographs，ARs）診斷的NEC進(jìn)行分類，并結(jié)合新生兒科和放射科的意見(jiàn)，從與NEC影像結(jié)果一致的各種成像特征中生成類激活圖及熱圖，突出ARs中NEC的影像情況。因此，該技術(shù)可以極大地提高NEC的篩查率。但作者沒(méi)有提供任何關(guān)于該研究數(shù)據(jù)集的信息，也沒(méi)有進(jìn)行量化評(píng)估。在2021年Gao等^[45]基于腹部X射線圖像和臨床數(shù)據(jù)，構(gòu)建了一個(gè)包括特征工程、ML和深度學(xué)習(xí)的新型多模態(tài)AI系統(tǒng)。對(duì)來(lái)自1 823名疑似NEC患者的4 535個(gè)腹部X射線圖像進(jìn)行遷移學(xué)習(xí)分析，然后使用來(lái)自827名疑似NEC患者的醫(yī)學(xué)圖像和臨床參數(shù)對(duì)AI進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試。結(jié)果表明，該系統(tǒng)能有效預(yù)測(cè)NEC的發(fā)生，這種多模態(tài)人工智能系統(tǒng)可以幫助臨床醫(yī)生提高診斷效率，減少漏診次數(shù)，并促進(jìn)早期診斷和治療，以防止疾病進(jìn)展甚至死亡。與以往臨床參數(shù)和實(shí)驗(yàn)指標(biāo)不同，Ntonfo等^[46]使用紅外熱像儀進(jìn)行熱圖像采集，從新生兒腹部熱圖像中提取熱特征，再將獲得的統(tǒng)計(jì)特征輸入到機(jī)器分類器中診斷NEC。該研究在非創(chuàng)傷性檢查中對(duì)NEC具有一定的診斷性，然而僅納入了2名研究對(duì)象，還需大樣本驗(yàn)證其臨床實(shí)用性。

5.4 不同ML方法診斷NEC的應(yīng)用比較

高文靜等^[47]搜集了2011—2018年的248例患兒，通過(guò)遞歸式消除特征方法選擇最優(yōu)的特征集，運(yùn)用XGBoost、決策樹、人工神經(jīng)網(wǎng)絡(luò)3種不同的方法進(jìn)行訓(xùn)練，并用五折交叉驗(yàn)證及超參數(shù)搜索選擇最優(yōu)參數(shù)，構(gòu)建最優(yōu)模型。用這3種方法得到的分類器對(duì)50例臨床未能確診NEC的病例進(jìn)行預(yù)測(cè)：其中XGBoost敏感度為80.48%，特異度為100%，AUC為0.902 4；決策樹敏感度為60.98%，特異度為82.93%，AUC為0.719 5；人工神經(jīng)網(wǎng)絡(luò)敏感度為78.05%，特異度為100%，AUC為0.890 2。XGBoost具有最精確的預(yù)測(cè)能力，決策樹的預(yù)測(cè)能力最差，人工神經(jīng)網(wǎng)絡(luò)需要提前設(shè)計(jì)適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)，而這些設(shè)定很難得到損失函數(shù)的最優(yōu)解。因此，在運(yùn)用ML時(shí)，應(yīng)根據(jù)不同的研究類型、樣本量大小、納入變量的數(shù)量，來(lái)選擇不同的分類器，得出最準(zhǔn)確的預(yù)測(cè)。

6 討論

這篇綜述中，我們介紹了目前CPMs在診斷NEC方面的文獻(xiàn)，傳統(tǒng)統(tǒng)計(jì)方法和ML均可有效預(yù)測(cè)NEC的發(fā)生，只是優(yōu)缺點(diǎn)不同。傳統(tǒng)統(tǒng)計(jì)方法與ML相比具有簡(jiǎn)單易懂的優(yōu)點(diǎn)，當(dāng)納入變量有限且變量定義在現(xiàn)有文獻(xiàn)中有明確定義、樣本量明顯多于納入變量時(shí)，傳統(tǒng)統(tǒng)計(jì)方法更為適用^[48]。ML則更具靈活性和可擴(kuò)展性，在NEC風(fēng)險(xiǎn)分層、診斷、生存預(yù)后中均能有效預(yù)測(cè)^[49]。當(dāng)樣本量少且預(yù)測(cè)因子較多時(shí)，如在基因組學(xué)、轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)和代謝組學(xué)中，ML尤其適用^[50]。ML還能容易地處理相互作用，而傳統(tǒng)統(tǒng)計(jì)方法很難實(shí)現(xiàn)^[48]。此外，ML能夠分析各種數(shù)據(jù)類型（例如，成像數(shù)據(jù)、人口統(tǒng)計(jì)數(shù)據(jù)和實(shí)驗(yàn)室指標(biāo)），并將其集成到NEC風(fēng)險(xiǎn)、診斷、預(yù)后和適用治療的預(yù)測(cè)中^[49]，但需要重點(diǎn)關(guān)注缺失值的處理、內(nèi)部驗(yàn)證的方法及校準(zhǔn)評(píng)價(jià)，提高預(yù)測(cè)準(zhǔn)確性^[51]?？傊?，我們應(yīng)根據(jù)現(xiàn)實(shí)的臨床情況來(lái)選擇最合適的預(yù)測(cè)方法，而不是把這兩種預(yù)測(cè)方法放在對(duì)立面。目前大多數(shù)文獻(xiàn)多為回顧性單中心數(shù)據(jù)研究，缺乏大型多機(jī)構(gòu)數(shù)據(jù)集。因此，我們需要進(jìn)一步前瞻性、多中心的創(chuàng)建并完善新生兒大數(shù)據(jù)研究去填補(bǔ)這一空白。此外，由于各級(jí)醫(yī)院診療水平不同，還可針對(duì)性的選取預(yù)測(cè)因子，建立個(gè)體化預(yù)測(cè)模型，并隨時(shí)間的推移定期更新監(jiān)測(cè)預(yù)測(cè)模型，為NEC的精準(zhǔn)診斷、治療、預(yù)后提供策略支持，提高醫(yī)療水平。

參考文獻(xiàn)

[1] CAO X，ZHANG L，JIANG S，et al.Epidemiology of necrotizing enterocolitis in preterm infants in China： a multicenter cohort study from 2015 to 2018[J].Journal of Pediatric Surgery，2022，57（3）：382-386.

[2] KORDASZ M，RACINE M，SZAVAY P，et al.Risk factors for mortality in preterm infants with necrotizing enterocolitis： a retrospective multicenter analysis[J].European Journal of Pediatrics，2022，181（3）：933-939.

[3] CAMPOS-MARTINEZ A M，EXPóSITO-HERRERA J，GONZALEZ-BOLíVAR M，et al.Evaluation of risk and preventive factors for necrotizing enterocolitis in premature newborns. A systematic review of the literature[J].Frontiers in Pediatrics，2022，10：874976.

[4] BAZACLIU C，NEU J.Necrotizing enterocolitis： long term complications[J].Current Pediatric Reviews，2019，15（2）：115-124.

[5] COUCE M L.Editorial： risk and preventive factors in necrotizing enterocolitis and its complications in premature infants[J].Frontiers in Pediatrics，2022，10：1056124.

[6] BETHELL G S，HALL N J.Recent advances in our understanding of NEC diagnosis， prognosis and surgical approach[J].Frontiers in Pediatrics，2023，11：1229850.

[7] SONG S，ZHANG J，ZHAO Y，et al.Development and Validation of a nomogram for predicting the risk of Bell's stage Ⅱ/Ⅲ necrotizing enterocolitis in neonates compared to Bell's stage Ⅰ[J].Frontiers in Pediatrics，2022，10：863719.

[8]李秋萍，谷鴻秋，王俊峰.臨床預(yù)測(cè)模型：TRIPOD報(bào)告規(guī)范解讀——以心血管疾病預(yù)測(cè)模型QRISK3為例（上）[J].中國(guó)循證心血管醫(yī)學(xué)雜志，2020，12（7）：778-782.

[9] VAN CALSTER B，STEYERBERG E W，WYNANTS L，et al.There is no such thing as a validated prediction model[J].BMC Medicine，2023，21（1）：70.

[10] MCADAMS R M，KAUR R，SUN Y，et al.Predicting clinical outcomes using artificial intelligence and machine learning in neonatal intensive care units： a systematic review[J].Journal of Perinatology，2022，42（12）：1561-1575.

[11] BINUYA M A E，ENGELHARDT E G，SCHATS W，et al.Methodological guidance for the evaluation and updating of clinical prediction models： a systematic review[J].BMC Medical Research Methodology，2022，22（1）：316.

[12]王俊峰，章仲恒，周支瑞，等.臨床預(yù)測(cè)模型：模型的驗(yàn)證[J].中國(guó)循證心血管醫(yī)學(xué)雜志，2019，11（2）：141-144.

[13] BONNETT L J，SNELL K I E，COLLINS G S，et al.Guide to presenting clinical prediction models for use in clinical settings[J].BMJ （Clinical Research Ed.），2019，365：1737.

[14] LAGAMMA E F，OSTERTAG S G，BIRENBAUM H.Failure of delayed oral feedings to prevent necrotizing enterocolitis. Results of study in very-low-birth-weight neonates[J].American Journal of Diseases of Children，1985，139（4）：385-389.

[15] MCKEOWN R E，MARSH T D，GARRISON C Z，et al.The prognostic value of a risk score for necrotising enterocolitis[J].Paediatric and Perinatal Epidemiology，1994，8（2）：156-165.

[16] MOSS R L，KALISH L A，DUGGAN C，et al.Clinical parameters do not adequately predict outcome in necrotizing enterocolitis： a multi-institutional study[J].Journal of Perinatology： Official Journal of the California Perinatal Association，2008，28（10）：665-674.

[17] LIN Y C，SALLEB-AOUISSI A，HOOVEN T A.Interpretable prediction of necrotizing enterocolitis from machine learning analysis of premature infant stool microbiota[J].BMC Bioinformatics，2022，23（1）：1-29.

[18] LEIVA T，LUESCHOW S，BURGE K，et al.Biomarkers of necrotizing enterocolitis in the era of machine learning and omics[J].Seminars in Perinatology，2022：151693.

[19] SYLVESTER K G，LING X B，LIU G Y，et al.A novel urine peptide biomarker-based algorithm for the prognosis of necrotising enterocolitis in human infants[J].Gut，2014，63（8）：1284-1292.

[20] HEATH M，BUCKLEY R，GERBER Z，et al.Association of intestinal alkaline phosphatase with necrotizing enterocolitis among premature infants[J/OL].Jama Network Open，2019，2（11）：e1914996.https：//pubmed.ncbi.nlm.nih.gov/31702803/.

[21] GONZáLEZ-RIVERA R，CULVERHOUSE R C，HAMVAS A，et al.The age of necrotizing enterocolitis onset： an application of Sartwell's incubation period model[J].Journal of Perinatology： Official Journal of the California Perinatal Association，2011，31（8）：519-523.

[22] GORDON P V，CLARK R，SWANSON J R，et al.Can a national dataset generate a nomogram for necrotizing enterocolitis onset？[J].Journal of Perinatology： Official Journal of the California Perinatal Association，2014，34（10）：732-735.

[23] BATTERSBY C，LONGFORD N，COSTELOE K，et al.Development of a gestational age-specific case definition for neonatal necrotizing enterocolitis[J].JAMA Pediatrics，2017，171（3）：256-263.

[24] BHATT D，TRAVERS C，PATEL R M，et al.Predicting mortality or intestinal failure in infants with surgical necrotizing enterocolitis[J/OL].The Journal of Pediatrics，2017，191：22-27.e3.https：//pubmed.ncbi.nlm.nih.gov/29173311/.

[25] GEPHART S M，WETZEL C，KRISMAN B.Prevention and early recognition of necrotizing enterocolitis： a tale of 2 tools--eNEC and GutCheckNEC[J].Advances in Neonatal Care： Official Journal of the National Association of Neonatal Nurses，2014，14（3）：201-210.

[26] GEPHART S M，SPITZER A R，EFFKEN J A，et al.Discrimination of GutCheck （NEC）： a clinical risk index for necrotizing enterocolitis[J].Journal of Perinatology： Official Journal of the California Perinatal Association，2014，34（6）：468-475.

[27] ROZé J-C，ANCEL P-Y，LEPAGE P，et al.Nutritional strategies and gut microbiota composition as risk factors for necrotizing enterocolitis in very-preterm infants[J].The American Journal of Clinical Nutrition，2017，106（3）：821-830.

[28] NABERHUIS J，WETZEL C，TAPPENDEN K A.A novel neonatal feeding intolerance and necrotizing enterocolitis risk-scoring tool is easy to use and valued by nursing staff[J].Advances in Neonatal Care： Official Journal of the National Association of Neonatal Nurses，2016，16（3）：239-244.

[29] FOX J R，THACKER L R，HENDRICKS-MU?OZ K D.Early detection tool of intestinal dysfunction： impact on necrotizing enterocolitis severity[J].American Journal of Perinatology，2015，32（10）：927-932.

[30] TUNTHANATHIP T，DUANGSUWAN J，WATTANAKITRUNGROJ N，et al.Comparison of intracranial injury predictability between machine learning algorithms and the nomogram in pediatric traumatic brain injury[J/OL].Neurosurg Focus， 2021，51（5）：E7.https：//pubmed.ncbi.nlm.nih.gov/34724640/.

[31]劉延霞，林則彬，何波，等.個(gè)性化預(yù)測(cè)新生兒壞死性小腸結(jié)腸炎發(fā)病風(fēng)險(xiǎn)的列線圖模型構(gòu)建[J].中國(guó)兒童保健雜志，2021，29（8）：838-842.

[32] LIU X，LIU L J，JIANG H Y，et al.Establishment of a nomogram model for predicting necrotizing enterocolitis in very preterm infants[J].Zhongguo Dang Dai Er Ke Za Zhi，2022，24（7）：778-785.

[33] SHEHAB M，ABUALIGAH L，SHAMBOUR Q，et al.Machine learning in medical applications： a review of state-of-the-art methods[J].Computers in Biology and Medicine，2022，145：105458.

[34] MAY M.Eight ways machine learning is assisting medicine[J].Nature Medicine，2021，27（1）：2-3.

[35] JAYATILAKE S M D A C，GANEGODA G U.Involvement of machine learning tools in healthcare decision making[J].Journal of Healthcare Engineering，2021，2021：6679512.

[36] HANDELMAN G S，KOK H K，CHANDRA R V，et al.eDoctor， machine learning and the future of medicine[J].Journal of Internal Medicine，2018，284（6）：603-619.

[37] GU J，LIM S.Unsupervised learning for robust workingmemory[J/OL].PLoS Computational Biology，2022，18（5）：e1009083.https：//pubmed.ncbi.nlm.nih.gov/35500033/.

[38] FRALICK M，COLAK E，MAMDANI M.Machine learning in medicine[J].New England Journal of Medicine，2019，380（26）：2588-2589.

[39] LYU Y，XU Q，YANG Z，et al.Prediction of patient choice tendency in medical decision-making based on machine learning algorithm[J].Frontiers in Public Health，2023，11：1087358.

[40] MUELLER M，TAYLOR S N，WAGNER C L，et al.Using an artificial neural network to predict necrotizing enterocolitis in premature infants[C]//2009 International joint conference on neural networks.IEEE，2009：2172-2175.

[41] ZHANG W，LYU M，BESSMAN N J，et al.Gut-innervating nociceptors regulate the intestinal microbiota to promote tissue protection[J].Cell，2022，185（22）：4170-4189.

[42] RUSCONI B，JIANG X，SIDHU R，et al.Gut sphingolipid composition as a prelude to necrotizing enterocolitis[J].Scientific Reports，2018，8：10984.

[43] OLM M R，BHATTACHARYA N，CRITS-CHRISTOPH A，et al.Necrotizing enterocolitis is preceded by increased gut bacterial replication， Klebsiella， and fimbriae-encoding bacteria[J/OL].Science Advances，2019，5（12）：eaax5727.https：//pubmed.ncbi.nlm.nih.gov/31844663/.

[44] VAN DRUTEN J，SHARIF M S，CHAN S S，et al.A deep learning based suggested model to detect necrotising enterocolitis in abdominal radiography images[C/OL]//2019 International Conference on Computing， Electronics & Communications Engineering （ICCECE）. London， United Kingdom： IEEE，2019：118-123.

[45] GAO W，PEI Y，LIANG H，et al.Bowel ultrasound for predicting surgical management of necrotizing enterocolitis： a systematic review and meta-analysis[J].IEEE Access，2021，9：51050-51064.

[46] NTONFO G M K，F(xiàn)RIZE M，BARICIAK E.Detection of necrotizing enterocolitis in newborns using abdominal thermal signature analysis[C/OL]//2015 IEEE International Symposium on Medical Measurements and Applications （MeMeA） Proceedings. Torino， Italy： IEEE，2015：36-39.

[47]高文靜，梁會(huì)營(yíng)，鐘微，等.基于機(jī)器學(xué)習(xí)的新生兒壞死性小腸結(jié)腸炎的鑒別診斷[J].中國(guó)數(shù)字醫(yī)學(xué)，2019，14（3）：50-52，69.

[48] RAJULA H S R，VERLATO G，MANCHIA M，et al.Comparison of conventional statistical methods with machine learning in medicine： diagnosis， drug development， and treatment[J].Medicina （Kaunas， Lithuania），2020，56（9）：455.

[49] NGIAM K Y，KHOR I W.Big data and machine learning algorithms for health-care delivery[J/OL].Lancet Oncology，2019，20（5）：e262-e273.https：//pubmed.ncbi.nlm.nih.gov/31044724/.

[50] FABRIS A，BRUSCHI M，SANTUCCI L，et al.Proteomic-based research strategy identified laminin subunit alpha 2 as a potential urinary-specific biomarker for the medullary sponge kidney disease[J].Kidney International，2017，91（2）：459-468.

[51] ANDAUR NAVARRO C L，DAMEN J A A，VAN SMEDEN M，et al.Systematic review identifies the design and methodological conduct of studies on machine learning-based prediction models[J].Journal of Clinical Epidemiology，2023，154：8-22.