【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，延遲治療可能會發(fā)生神經(jīng)發(fā)育遲緩、生長發(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)生的主要危險因素，但具體發(fā)病機制尚未完全明確。臨床預(yù)測模型（CPMs）是利用數(shù)學(xué)公式估計當(dāng)前個體可能患有某病或?qū)戆l(fā)生某結(jié)局的概率模型。近年來，通過臨床特征、實驗室指標(biāo)、生物學(xué)標(biāo)志物、微生物等信息構(gòu)建的CPMs對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NEC診斷預(yù)測模型的總結(jié)概括以推動臨床實踐。本文就傳統(tǒng)統(tǒng)計方法和機器學(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)測模型 傳統(tǒng)統(tǒng)計方法 機器學(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，對家庭和社會造成巨大經(jīng)濟負(fù)擔(dān)^[1]。研究證實早產(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)生的主要危險因素^[2-3]，但確切病因及機制仍不明確。NEC常見的并發(fā)癥包括神經(jīng)發(fā)育遲緩、生長發(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)對疾病的發(fā)生發(fā)展極為重要。近年來，NEC受到兒科醫(yī)師的廣泛關(guān)注，通過臨床癥狀、實驗室指標(biāo)、生物標(biāo)志物、微生物等信息構(gòu)建的臨床預(yù)測模型（clinical prediction models，CPMs）對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NEC診斷的有效預(yù)測及總結(jié)概括去推動臨床實踐。因此，本文就臨床預(yù)測模型在診斷NEC方面的研究進(jìn)展來展開綜述。

1 CPMs的定義

CPMs又稱臨床預(yù)測規(guī)則、風(fēng)險預(yù)測模型、預(yù)測模型或風(fēng)險評分，主要指利用數(shù)學(xué)公式估計當(dāng)前特異性個體可能患有某種疾病或?qū)戆l(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)過模型的構(gòu)建、內(nèi)外部驗證、評估等多個步驟才能應(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)險分層，并協(xié)助為個體患者做出最優(yōu)決策^[9]。

2 CPMs的內(nèi)容

CPMs的建立包括確立研究問題、選擇數(shù)據(jù)來源、篩選預(yù)測變量、處理預(yù)測變量、建立預(yù)測模型、驗證和評估預(yù)測模型、呈現(xiàn)預(yù)測模型等多個步驟^[8]。數(shù)據(jù)來源的方式有公共數(shù)據(jù)庫、醫(yī)院臨床數(shù)據(jù)、電子病例信息等數(shù)據(jù)庫。篩選預(yù)測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)測模型時選擇合適的統(tǒng)計方法非常重要，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)計方法外，近年來機器學(xué)習(xí)（medical learning，ML）在臨床預(yù)測模型方面同樣得到廣泛應(yīng)用^[10]。模型的驗證和評估包括內(nèi)部驗證和外部驗證^[11]。內(nèi)部驗證的目的是驗證模型開發(fā)的可重復(fù)性，且能夠評價模型是否存在過擬合現(xiàn)象，一般包括交叉驗證、Bootstrap驗證和隨機劃分驗證；外部驗證包括時間驗證和空間驗證，主要考查模型的移動及廣泛應(yīng)用性；同時用區(qū)分度、校準(zhǔn)度等來評價預(yù)測模型的準(zhǔn)確性^[12]。目前模型可視化的呈現(xiàn)方式主要包括評分系統(tǒng)、風(fēng)險圖、列線圖（nomogram）、網(wǎng)頁或計算機程序（APP）等^[13]。

3 傳統(tǒng)統(tǒng)計模型在診斷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)行了一項單中心回顧性研究，首次提出了NEC風(fēng)險評估工具（NEC risk score，NRS），包括9項指標(biāo)，出生體重、胎齡、出生后5 min的Apgar評分、氧氣需求、機械通氣、低血壓、癲癇或腦室出血、動脈導(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)險評分表明呼吸相關(guān)因素與NEC的關(guān)系是間接的、非獨立的。因此，NRS的臨床應(yīng)用價值還有待考究。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)險預(yù)測模型，共確定了12種與進(jìn)展期NEC相關(guān)的獨立預(yù)測因子，但納入的預(yù)測因子單一，并不能根據(jù)診斷NEC時的臨床參數(shù)就去預(yù)測進(jìn)展期高風(fēng)險患兒。該研究提示僅對臨床參數(shù)的分析并不會對進(jìn)展期NEC的預(yù)測有顯著效果，未來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，對其進(jìn)行定量分析從而實現(xiàn)NEC早期預(yù)測和診斷^[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)確識別高風(fēng)險患兒。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NEC患兒的護(hù)理水平。Heath等^[20]通過一項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)測進(jìn)展期NEC的AUC分別為0.97和0.76（P<0.01），對于疑似NEC，其含量預(yù)測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。但還需注意檢測操作的統(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NEC發(fā)病時間的影響。研究結(jié)果表明，診斷NEC的時間與胎齡之間的關(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)果還有待驗證。然而，在2014年Gordon等^[22]通過收集全國性研究數(shù)據(jù)結(jié)果表明，NEC的發(fā)病時間與胎齡成反比線性關(guān)系。在以往胎齡對NEC影響的研究基礎(chǔ)上，Battersby等^[23]通過一項多中心前瞻性研究開發(fā)了胎齡特異性有序NEC評分。該評分具有胎齡特異性截斷值的二分式病例定義，與佛蒙特牛津病例定義^[24]相比，評分表現(xiàn)更好。該評分工具包括：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，不同胎齡組所對應(yīng)的NEC發(fā)生風(fēng)險不一樣：當(dāng)臨界評分≥2分（胎齡<30周）、≥3分（30周≤胎齡<37周）、≥4分（胎齡≥37周）時，均視為高風(fēng)險NEC患兒。其研究的主要目的是開發(fā)一個簡單實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指導(dǎo)臨床決策，僅是提供了一個客觀的風(fēng)險度量。因此，胎齡與NEC發(fā)病時間的關(guān)系目前還存在爭議，有待考究。

4 模型呈現(xiàn)方式

4.1 評分系統(tǒng)

由Gephart等^[25]構(gòu)建的eNEC?評分工具，對出生1個月內(nèi)的患兒情況每周評估一次。該評分工具的風(fēng)險因素得分采用逐級疊加且不可消除的方式，可以提醒醫(yī)護(hù)人員對高風(fēng)險患兒及時干預(yù)和處理。但該評分工具納入的風(fēng)險因素過多，并且需風(fēng)險因子權(quán)重驗證和最佳評分頻率驗證，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)險評估工具共納入了9項風(fēng)險指標(biāo)包括胎齡、庫存紅細(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，其診斷NEC的敏感度和特異度較好（AUC為0.72）。該評分工具反映了NEC的發(fā)生風(fēng)險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研究團隊證實新生兒監(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）、先天性心臟病或動脈導(dǎo)管未閉、出生時缺氧或窒息、膿毒癥、抗生素使用≥5 d、宮內(nèi)生長受限或小于胎齡兒、圍生期母體因素、絨毛膜羊膜炎、懷孕時非法吸毒、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，6～8分為中風(fēng)險，≥9分為高風(fēng)險。該工具方便醫(yī)護(hù)人員使用，但其研究樣本量少、變量多，臨床實用性還有待評估。Fox等^[29]前瞻性開發(fā)的NEC早期e8al4hQk9Pj9PtZ/qk8nIvsYI6gJudAUIdLjjx2x1vo=預(yù)警評分（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，分?jǐn)?shù)再各加1分；評分≥5分時，預(yù)測早期腸功能障礙（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，該工具還能客觀識別患兒生命體征和體格檢查的每日基線變化，并評估4 h內(nèi)生命體征期間得分模式的動態(tài)變化。雖然該得分系統(tǒng)在預(yù)測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、評分系統(tǒng)等相比，列線圖更簡便、可視性更強^[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)生的獨立危險因素。AUC為0.714，Hosmer-Lemeshow擬合優(yōu)度檢驗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。該研究并沒有區(qū)分建模集、驗證集和構(gòu)建NEC臨床決策曲線，因此臨床實用性還有待評估。在此基礎(chǔ)上，Liu等^[32]收集了752例極早產(chǎn)兒為研究對象，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（驗證集），確定的獨立危險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)度檢驗均顯示該模型在預(yù)測值和真實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)生提供簡便直觀的工具。盡管該模型進(jìn)行了時間外部驗證，但由于時間跨度較長、早年醫(yī)療水平有限，未能收集到更多與NEC發(fā)生風(fēng)險因素相關(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)險指標(biāo)來提高模型的穩(wěn)定性。在2022年Kordasz等^[2]通過多中心回顧性研究確定了低Apgar評分、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)生早期識別晚期NEC，在腸穿孔前及時行手術(shù)或其他干預(yù)治療。

5 ML在診斷NEC中的應(yīng)用

近年來，ML已被廣泛用于解決各種醫(yī)學(xué)問題，提高了疾病診斷系統(tǒng)的可靠性、可預(yù)測性和準(zhǔn)確性^[33]。與傳統(tǒng)統(tǒng)計方法不同，ML是算法在做決策時模仿人類認(rèn)知的過程^[34]。ML主要分為三類：強化學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、有監(jiān)督學(xué)習(xí)^[35]。強化學(xué)習(xí)主要由智能體、環(huán)境、狀態(tài)、行動、獎勵五個基本成分組成；無監(jiān)督學(xué)習(xí)主要分為：聚類、離散點檢測和降維^[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NEC高風(fēng)險的算法診斷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個變量中，小于胎齡兒和機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)測變量，開發(fā)一系列人工神經(jīng)網(wǎng)絡(luò)去預(yù)測NEC。

5.2 生物學(xué)標(biāo)志物和腸道微生物

研究報道，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)一步驗證。Olm等^[43]對早產(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)測早期NEC，并提供了一個可能基于微生物靶點治療的方向。Lin等^[17]開發(fā)了一個動態(tài)的、可追蹤解釋的、基于神經(jīng)網(wǎng)絡(luò)的獨立微生物DNA序列架構(gòu)解決方案，用于縱向預(yù)測早產(chǎn)兒群體的NEC發(fā)生風(fēng)險。該研究在兩個隊列的獨立數(shù)據(jù)集上進(jìn)行測試，包括來自261例風(fēng)險嬰兒的3 595個糞便樣本，同時還引入了一個“增長袋”分析的新概念，它隨著時間的推移應(yīng)用于多示例學(xué)習(xí)，允許將過去的數(shù)據(jù)納入每一個新的風(fēng)險中計算。其平均敏感度為86%，特異度為90%，真陽性NEC預(yù)測平均發(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NEC。此外，該研究還可能對NEC發(fā)病機制的新假設(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，以自動化方式對腹部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，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。但作者沒有提供任何關(guān)于該研究數(shù)據(jù)集的信息，也沒有進(jìn)行量化評估。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)。對來自1 823名疑似NEC患者的4 535個腹部X射線圖像進(jìn)行遷移學(xué)習(xí)分析，然后使用來自827名疑似NEC患者的醫(yī)學(xué)圖像和臨床參數(shù)對AI進(jìn)行訓(xùn)練、驗證和測試。結(jié)果表明，該系統(tǒng)能有效預(yù)測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)和實驗指標(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)計特征輸入到機器分類器中診斷NEC。該研究在非創(chuàng)傷性檢查中對NEC具有一定的診斷性，然而僅納入了2名研究對象，還需大樣本驗證其臨床實用性。

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，通過遞歸式消除特征方法選擇最優(yōu)的特征集，運用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50例臨床未能確診NEC的病例進(jìn)行預(yù)測：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)測能力，決策樹的預(yù)測能力最差，人工神經(jīng)網(wǎng)絡(luò)需要提前設(shè)計適當(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，在運用ML時，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，來選擇不同的分類器，得出最準(zhǔn)確的預(yù)測。

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)計方法和ML均可有效預(yù)測NEC的發(fā)生，只是優(yōu)缺點不同。傳統(tǒng)統(tǒng)計方法與ML相比具有簡單易懂的優(yōu)點，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，傳統(tǒng)統(tǒng)計方法更為適用^[48]。ML則更具靈活性和可擴展性，在NEC風(fēng)險分層、診斷、生存預(yù)后中均能有效預(yù)測^[49]。當(dāng)樣本量少且預(yù)測因子較多時，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)計方法很難實現(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)計數(shù)據(jù)和實驗室指標(biāo)），并將其集成到NEC風(fēng)險、診斷、預(yù)后和適用治療的預(yù)測中^[49]，但需要重點關(guān)注缺失值的處理、內(nèi)部驗證的方法及校準(zhǔn)評價，提高預(yù)測準(zhǔn)確性^[51]?？傊?，我們應(yīng)根據(jù)現(xiàn)實的臨床情況來選擇最合適的預(yù)測方法，而不是把這兩種預(yù)測方法放在對立面。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)研究去填補這一空白。此外，由于各級醫(yī)院診療水平不同，還可針對性的選取預(yù)測因子，建立個體化預(yù)測模型，并隨時間的推移定期更新監(jiān)測預(yù)測模型，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)測模型：TRIPOD報告規(guī)范解讀——以心血管疾病預(yù)測模型QRISK3為例（上）[J].中國循證心血管醫(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)測模型：模型的驗證[J].中國循證心血管醫(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.個性化預(yù)測新生兒壞死性小腸結(jié)腸炎發(fā)病風(fēng)險的列線圖模型構(gòu)建[J].中國兒童保健雜志，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，梁會營，鐘微，等.基于機器學(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.