川崎病（Kawasaki disease, KD）是一种多系统中小血管炎，主要影响5岁以下儿童，是发达国家儿童获得性心脏病的主要原因。其临床表现多样，包括发热、皮疹、粘膜改变及冠状动脉扩张或动脉瘤等，严重者可导致心肌受损和长远心血管并发症。然而，由于KD的症状与多种发热性疾病（如呼吸道感染、败血症等）重叠，早期准确诊断存在挑战。同时，对于KD患儿中冠状动脉病变（CALs）的早期预测也十分关键，因为及时治疗（如免疫球蛋白疗法）可显著降低其发生率。近年来，机器学习（ML）技术因其在大数据处理和模式识别中的优越性逐渐应用于KD的诊断和CALs的预测，但其整体效果尚缺乏系统验证。本研究通过系统综述和荟萃分析，评估ML在KD诊断及CALs预测中的准确性，以为未来相关工具的开发提供循证支持。

本研究为基于系统综述和荟萃分析的方法学研究，严格按照PROSPERO注册指南（CRD42023481662）执行。通过检索PubMed、Cochrane Library、Embase和Web of Science数据库，截至2023年9月26日，筛选研究对象为以ML方法诊断KD或预测KD患者CALs的病例对照、队列及嵌套研究。纳入标准包括使用常规临床数据构建的ML模型，并报告验证集中的一致性指数（C-index）、敏感性和特异性等预测指标。排除未使用ML方法或未提供关键结果指标的研究。

两名独立研究者对文献进行筛选与数据提取，使用PROBAST工具评估研究的偏倚风险，并采用随机效应模型对C-index、敏感性和特异性进行荟萃分析。分析软件为Stata 15.0，通过四格表法计算诊断与预测模型的主要性能指标。

最终纳入29项研究，其中20项研究旨在区分KD与其他发热性疾病，涉及103,882名受试者，包括12,541名KD患者；9项研究用于预测KD患儿CALs风险，共计6503名KD患者，其中986名发生CALs。

在区分KD与其他发热性疾病方面：

· 验证集的C-index为0.881（95%CI：0.837-0.925），敏感性为0.91（95%CI：0.83-0.95），特异性为0.86（95%CI：0.80-0.90）。

· 20个模型中，常用的ML方法包括逻辑回归（45%）、支持向量机（15%）和神经网络（10%）。常用变量为C反应蛋白（CRP, n=11）、中性粒细胞（NEUT, n=11）及白细胞计数（WBC, n=10）。

在预测CALs风险方面：

· 验证集的C-index为0.787（95%CI：0.738-0.835），敏感性范围为0.220-0.952，特异性范围为0.644-0.755。

· 9个模型中，88.89%使用多变量逻辑回归，最常用变量为CRP（n=7）、IVIG抵抗（n=4）和发热持续时间（n=3）。

模型偏倚风险评估显示，在统计分析领域，多数模型存在样本设计不足或变量选择不合理等问题（14/20）。但总体而言，ML方法在两类任务中均表现出较高的诊断和预测能力，未见明显过拟合。

机器学习识别训练集中的川崎病和发热控制的灵敏度和特异性

本研究系统评估了ML在KD诊断和CALs预测中的应用价值，结果显示基于常规临床数据构建的ML模型在验证集中表现出良好的诊断与预测准确性，尤其在敏感性和特异性方面具有优势。CRP、NEUT和WBC是常用的诊断变量，而CRP在CALs预测中同样频繁出现。尽管研究揭示了ML的潜在优势，但受限于纳入研究数量和模型验证方法的多样性，未来需通过多中心研究进一步优化模型设计，提升泛化能力。此外，应探索更多高效变量及其与KD和CALs的定量关系，以实现模型的临床转化应用。

原始出处：

Accuracy of Machine Learning in Discriminating Kawasaki Disease and Other Febrile Illnesses: Systematic Review and Meta-Analysis. J Med Internet Res. 2024 Nov 18;26:e57641. doi: 10.2196/57641. PMID: 39556821.