来源：期刊VIP网 时间：
作者：葛秋霞;金岳心子;张祥;
单位：南京医科大学第一附属医院/江苏省人民医院检验学部;国家医学检验临床医学研究中心分中心;
摘要：目的 构建基于入院24 h内临床指标的机器学习模型，预测发热伴血小板减少综合征(SFTS)患者住院期间不良结局风险，实现早期风险分层。方法 采用回顾性队列研究设计，纳入2022年4月-2025年5月南京医科大学第一附属医院收治的430例SFTS患者(好转组346例，预后不良组84例)，收集入院时临床特征及24 h内实验室指标，在训练集上应用LASSO回归进行特征选择，运用5种算法(极度梯度提升、梯度提升模型、随机森林、支持向量机和逻辑回归)构建预测模型，并在独立测试集评估性能。同时，采用SHAP方法提升模型的可解释性。结果 LASSO回归确定了7个核心预测因子：年龄、 SFTS病毒核酸载量(经lg转换)、铁蛋白(Fer)、凝血酶原时间(PT)、肌酐(Scr)、乳酸脱氢酶(LDH)、降钙素原(PCT)。支持向量机(SVM)模型在测试集综合性能最优(AUC=0.865,95%CI:0.781～0.948)，其余模型AUC为0.832～0.858。SHAP分析显示年龄和lgSFTSV是影响模型预测重要的两个特征。结论 本研究构建并验证了SVM算法的可解释机器学习模型，利用入院24 h指标可有效预测SFTS患者不良结局风险。该模型整合病毒载量等特异性指标，验证了年龄、lgSFTSV、凝血与器官损伤标志物等的预测价值。
关键词：发热伴血小板减少综合征;;机器学习;;预测模型;;SHAP解释;;早期预测;;预后不良
基金资助：江苏省医学重点学科/实验室项目（ZDXK202239）
