徐海涛 沈毅韵 石岭 金黎瑛 黄思红 姜一陵 张爱萍 吴志豪 张瑞峰 罗梅宏
目的：分析呼气末一氧化碳值（ETCOc）联合经皮胆红素（TcB）预测新生儿高胆红素血症的价值，
并采用可解释性机器学习模型构建风险预测模型，以期为临床提供参考。方法：回顾性选取 2021 年 10 月至
2023 年 12 月上海中医药大学附属宝山医院产科病房及门诊的 175 例足月新生儿为研究对象。根据新生儿小时
胆红素列线图的诊断标准，最终判断新生儿高胆红素血症 99 例，新生儿非高胆红素血症 76 例。基于可解释性
机器学习算法分析临床资料，帮助构建新生儿高胆红素血症风险预测模型，并对筛选出的特征进行价值分析。
结果：Bland-Altman 分析 ETCOc 与 TSB 具有较好的一致性。ETCOc 诊断的对应 ROC 曲线 AUC 值为 0.637 2，
TcB 诊断的对应 ROC 曲线 AUC 值为 0.644 2，ETCOc 和 TcB 的单指标预测价值相似。两指标联合诊断的 ROC
曲线 AUC 值为 0.745 6。机器学习模型中，极端梯度提升（XGBoost ）模型性能最优，在训练集中 ROCAUC 为
0.94±0.02，PRAUC 为 0.95±0.01，F1 值为 0.85±0.03；测试集中 ROCAUC 为 0.891 4，PRAUC 为 0.930 2，F1 值
为 0.833 3。可解释性分析显示，重要性排序为时龄、TcB、ETCOc、出生体重、娩出方式、胎龄和性别；交互
性分析结果显示，新生儿出生时间延长时，机体产生的胆红素对新生儿高胆红素血症的风险提升存在放大效应，
ETCOc 与 TcB 有协同增强作用。结论：ETCOc 与 TcB 联合预测新生儿高胆红素血症具有重要的应用价值，可
以提高诊断准确性、优化治疗决策，基于机器学习的可解释预测模型突破了传统方法的局限性，实现了个体化
风险分层与早期预警，并为医学研究提供了新的方向。
