AI 模型預測川崎氏症抗藥性 助兒科醫師及早介入治療
中國研究團隊開發出一套機器學習模型，能在川崎氏症病童接受治療前，預測他們對標準藥物靜脈注射免疫球蛋白（IVIG）的抗藥性，這項突破有助於兒科醫師及早發現高風險病患並調整治療方案，避免嚴重併發症。
陳思妤
· 4 分鐘閱讀
中國研究人員近期成功開發並驗證一套機器學習模型，能夠在治療開始前，預測哪些川崎氏症（Kawasaki disease）病童可能對標準的第一線治療——靜脈注射免疫球蛋白（IVIG）產生抗藥性。這項創新有望讓醫師及早採取更積極的治療策略，降低潛在的併發症風險。
川崎氏症是一種好發於嬰幼兒的急性血管炎症，若未經治療，約有 20% 至 25% 的病童可能出現冠狀動脈病變等嚴重併發症。靜脈注射免疫球蛋白（IVIG）是目前標準的第一線治療方式，但仍有 10% 到 20% 的病童對此療法產生抗藥性。及早辨識這些抗藥性病例至關重要，因為對於高風險病患，醫學界建議採用 IVIG 結合類固醇或免疫抑制劑等更強化的治療方案。
根據《Bioengineer.org》報導，這項研究運用了支援向量機（Support Vector Machine, SVM）機器學習模型，該模型透過分析病童的常規臨床與實驗室數據，進行抗藥性預測。研究團隊利用中國蘇州市 Children’s Hospital of Soochow University、福州市與揚州市的病患數據，建立並測試此模型。在包含 2,371 名病童的開發數據集中，有 12.9% 的病童對 IVIG 產生抗藥性。
研究人員評估了多種機器學習演算法，包括梯度提升（gradient boosting）、自適應提升（adaptive boosting）和隨機森林（random forest），其中梯度提升的 AUC（曲線下面積，評估模型預測準確度的指標）最高。最終採用的 SVM 模型整合了八項預測因子，包括冠狀動脈病變、C 反應蛋白、發病年齡、嗜中性白血球比例、白血球計數、總膽固醇、血小板計數及血清白蛋白。這個八項因子模型在內部驗證中取得了 0.782 的 AUC 值，優於僅用兩項（0.736）或十四項因子（0.756）的版本。
此機器學習模型在外部驗證中表現出色，於福州市、揚州市的病患群中分別達到 0.746 和 0.759 的 AUC 值，在蘇州市的前瞻性驗證中更高達 0.799。相較之下，目前已有的 Kobayashi、Egami 等傳統評分系統，其 AUC 值僅介於 0.619 至 0.674，顯示新模型在預測能力上顯著超越。研究團隊也解決了機器學習模型常見的「黑箱問題」，運用 SHAP 方法來解釋模型的判斷依據。
為將研究成果轉化為實際應用，研究人員已在 Shiny platform 上開發了一個互動式網路計算器，讓兒科醫師能即時運用這項工具，辨識需要強化治療的川崎氏症病童。這項研究成果已發表於《World Journal of Pediatrics》，但作者也呼籲未來需進行前瞻性臨床試驗，以進一步確認模型引導的決策能否真正改善病患的臨床結果。