Оценка риска тяжелой пневмонии у детей с помощью клинической прогностической модели на основе лабораторных маркеров

Введение

Пневмония остается одной из ведущих причин смертности среди детей во всем мире, что подчеркивает необходимость раннего выявления пациентов с высоким риском для улучшения клинических исходов. Однако существующие методы стратификации риска и лабораторные маркеры недостаточно надежны для поддержки принятия клинических решений при педиатрической пневмонии.

Цель исследования

Целью данного исследования была разработка и валидация прогностической модели на основе лабораторных маркеров для оценки риска тяжелой пневмонии у детей.

Методы

Исследование проводилось на данных из базы Pediatric Intensive Care, включавших 749 детей в возрасте до 3 лет с тяжелой пневмонией. Связь между лабораторными параметрами и прогностическими исходами оценивалась с помощью регрессионного анализа Кокса. Были выделены следующие значимые маркеры:

• Насыщение кислородом (SpO₂)
• Гемоглобин (Hb)
• Липаза
• Мочевина
• Мочевая кислота

На основе этих параметров была построена прогностическая модель с использованием классификатора XGBoost. Модель валидировалась на тестовой когорте и внешней когорте из 129 детей с тяжелой пневмонией, госпитализированных в PICU Детской больницы при Медицинской школе Университета Чжэцзян в 2019 году.

Результаты

Модель продемонстрировала высокую эффективность в прогнозировании летальности и выживаемости пациентов (AUC = 0.943), а также в заблаговременном разделении детей на группы высокого и низкого риска смерти (HR = 2.930, 95% CI: 2.551-3.366, P < 0.001). Результаты были подтверждены в тестовой (AUC = 0.871) и внешней валидационной когортах (AUC = 0.872).

Выводы

Разработанная модель позволяет прогнозировать индивидуальный риск смертности у детей с тяжелой пневмонией, что может способствовать персонализированному подходу в клинической практике и улучшению процессов принятия медицинских решений.

Термины и сокращения

• PICU - Pediatric Intensive Care Unit (Отделение реанимации и интенсивной терапии для детей)
• AUC - Area Under the Curve (Площадь под кривой)
• HR - Hazard Ratio (Коэффициент риска)
• CI - Confidence Interval (Доверительный интервал)
• XGBoost - eXtreme Gradient Boosting (Метод машинного обучения на основе градиентного бустинга)
• SpO₂ - Oxygen Saturation (Насыщение крови кислородом)