护理研究

变量	分类	建模组（n=408）	验证组（n=175）	统计值	P
性别[例(%)]	女	196(48.0)	91(52.0)	χ²=0.82	0.432
	男	212(52.0)	84(48.0)
胎龄[M(P₂₅,P₇₅)，周]		37.5(36.5,39.0)	37.4(36.5,39.0)	Z=0.42	0.643
月龄[M(P₂₅,P₇₅)，个月]		5.2(3.0,8.3)	6.0(3.2,8.0)	Z=0.45	0.584
出生体重[M(P₂₅,P₇₅)，g]		2 915.0(2 550.0,3 162.5)	3 000.0(2 550.0,3 230.0)	Z=0.63	0.507
出生方式[例(%)]	剖宫产	207(50.7)	103(58.9)	χ²=2.82	0.087
	顺产	201(49.3)	72(41.1)

变量	分类	建模组（n=408）	验证组（n=175）	统计值	P
性别[例(%)]	女	196(48.0)	91(52.0)	χ²=0.82	0.432
	男	212(52.0)	84(48.0)
胎龄[M(P₂₅,P₇₅)，周]		37.5(36.5,39.0)	37.4(36.5,39.0)	Z=0.42	0.643
月龄[M(P₂₅,P₇₅)，个月]		5.2(3.0,8.3)	6.0(3.2,8.0)	Z=0.45	0.584
出生体重[M(P₂₅,P₇₅)，g]		2 915.0(2 550.0,3 162.5)	3 000.0(2 550.0,3 230.0)	Z=0.63	0.507
出生方式[例(%)]	剖宫产	207(50.7)	103(58.9)	χ²=2.82	0.087
	顺产	201(49.3)	72(41.1)

变量	分类	发生组（n=149）	未发生组（n=259）	统计值	P
性别[例(%)]	女	70(47.0)	126(48.6)	χ²=0.06	0.824
	男	79(53.0)	133(51.4)
胎龄[M(P₂₅,P₇₅)，周]		38.1(37.0,39.2)	37.1(36.0,38.2)	Z=1.21	0.187
月龄[M(P₂₅,P₇₅)，个月]		4.2(2.2,7.1)	6.1(3.3,9.1)	Z=3.32	<0.001
出生体重[M(P₂₅,P₇₅)，g]		3 000.0(2 550.0,3 280.0)	2 900.0(2 550.0,3 150.0)	Z=1.51	0.133
出生方式[例(%)]	剖宫产	83(55.7)	124(47.9)	χ²=0.18	0.156
	顺产	66(44.3)	135(52.1)

变量	分类	发生组（n=149）	未发生组（n=259）	统计值	P
性别[例(%)]	女	70(47.0)	126(48.6)	χ²=0.06	0.824
	男	79(53.0)	133(51.4)
胎龄[M(P₂₅,P₇₅)，周]		38.1(37.0,39.2)	37.1(36.0,38.2)	Z=1.21	0.187
月龄[M(P₂₅,P₇₅)，个月]		4.2(2.2,7.1)	6.1(3.3,9.1)	Z=3.32	<0.001
出生体重[M(P₂₅,P₇₅)，g]		3 000.0(2 550.0,3 280.0)	2 900.0(2 550.0,3 150.0)	Z=1.51	0.133
出生方式[例(%)]	剖宫产	83(55.7)	124(47.9)	χ²=0.18	0.156
	顺产	66(44.3)	135(52.1)

模型	准确率	精确率	召回率	F1分数	特异度	PPV	NPV
Logistic回归	0.777	0.771	0.751	0.761	0.800	0.771	0.782
决策树	0.711	0.707	0.663	0.684	0.753	0.707	0.714
随机森林	0.765	0.759	0.736	0.747	0.791	0.759	0.769
XGBoost	0.790	0.754	0.762	0.758	0.777	0.754	0.784
支持向量机	0.767	0.755	0.751	0.753	0.781	0.755	0.778

模型	准确率	精确率	召回率	F1分数	特异度	PPV	NPV
Logistic回归	0.777	0.771	0.751	0.761	0.800	0.771	0.782
决策树	0.711	0.707	0.663	0.684	0.753	0.707	0.714
随机森林	0.765	0.759	0.736	0.747	0.791	0.759	0.769
XGBoost	0.790	0.754	0.762	0.758	0.777	0.754	0.784
支持向量机	0.767	0.755	0.751	0.753	0.781	0.755	0.778

项目	Z值	P
XGBoost与随机森林比较	0.523	0.601
XGBoost与支持向量机比较	0.434	0.664
XGBoost与Logistic回归比较	0.280	0.779
Logistic回归与随机森林比较	0.240	0.810

项目	Z值	P
XGBoost与随机森林比较	0.523	0.601
XGBoost与支持向量机比较	0.434	0.664
XGBoost与Logistic回归比较	0.280	0.779
Logistic回归与随机森林比较	0.240	0.810

项目	外部验证
AUC	0.821
准确率	0.709
灵敏度	0.731
F1分数	0.713
特异度	0.742
PPV	0.696
NPV	0.772

项目	外部验证
AUC	0.821
准确率	0.709
灵敏度	0.731
F1分数	0.713
特异度	0.742
PPV	0.696
NPV	0.772

牛奶蛋白过敏婴儿血便风险预测模型的构建及验证

陈雅岚 ¹ , 曾羽 ¹ , 贾佳佳 ¹ , 李润 ²^,³^,^*^,^*^,^* , 万小红 ⁴ , 张璐 ⁵

护理研究 | 科研论著 2026,40(17): 3055-3062

收起

护理研究 |科研论著 2026 , 40 (17) : 3055 -3062

牛奶蛋白过敏婴儿血便风险预测模型的构建及验证

全屏

陈雅岚¹, 曾羽¹, 贾佳佳¹, 李润²^,³^,^*^,^*^,^*, 万小红⁴, 张璐⁵

作者信息

¹西南医科大学护理学院，四川 646000

²西南医科大学附属中医医院

³成品输液质量检测与精准用药技术创新泸州市重点实验室

⁴西南医科大学附属医院

⁵泸州市妇幼保健院

通讯作者:

李润，E-mail：843485744@qq.com

LI Run, E-mail: 843485744@qq.com

作者简介:

陈雅岚，硕士研究生

Construction and validation of a risk prediction model for hematochezia in infants with cow's milk protein allergy

Yalan CHEN¹, Yu ZENG¹, Jiajia JIA¹, Run LI²^,³, Xiaohong WAN⁴, Lu ZHANG⁵

Affiliations

¹School of Nursing,Southwest Medical University,Sichuan 646000 China

²The Affiliated Traditional Chinese Medicine Hospital, Southwest Medical University

³Compounded Infusion Quality Testing Analysis and Precision Medication Technological Innovation Key Laboratory of Luzhou

⁴The Affiliated Hospital, Southwest Medical University

⁵Luzhou Maternal and Child Health Hospital

出版时间: 2026-09-10 doi: 10.12102/j.issn.1009-6493.2026.17.014

文章导航

摘要

收起

目的

探讨牛奶蛋白过敏婴儿血便的危险因素，构建并验证预测模型。

方法

回顾性收集2024年1月—12月在三级甲等医院儿科、儿童保健科门诊就诊的牛奶蛋白过敏婴儿408例为建模组，另收集牛奶蛋白过敏婴儿175例为验证组。按照是否发生血便，将研究对象分为发生组和未发生组。采用LASSO回归和Boruta算法交集筛选特征变量。应用随机森林、支持向量机、极端梯度提升机、决策树及Logistic回归共5种机器学习算法构建预测模型。以内部验证的受试者工作特征（ROC）曲线下面积（AUC）作为最适宜模型的主要筛选标准，并对最适宜模型进行外部验证和可解释性分析。

结果

喂养不耐受、月龄、湿疹、生命早期抗生素暴露、人工喂养、哺乳期食用过敏饮食、母亲过敏史、第一口奶（奶粉）是牛奶蛋白过敏婴儿血便的独立危险因素。XGBboost模型具有最佳预测性能，模型在建模组和验证组的AUC分别为0.841，0.821。通过计算XGBboost的沙普利可加性解释值（SHAP）发现，喂养不耐受、月龄、湿疹是前3位重要的预测因素。

结论

XGBboost模型预测牛奶蛋白过敏婴儿血便风险效能较好，可为医护人员早期识别牛奶蛋白过敏婴儿血便的高危人群提供参考。

关键词

牛奶蛋白过敏 / 婴儿 / 血便 / 喂养不耐受 / 湿疹 / 机器学习 / 预测模型

Abstract

收起

Objective

To explore the risk factors for hematochezia in infants with cow's milk protein allergy(CMPA) and to construct and to validate a prediction model.

Methods

A retrospective study was conducted.A total of 408 infants with CMPA who visited the pediatric or child health care outpatient departments of tertiary hospitals from January to December 2024 were included as the modeling group.Another 175 infants with CMPA were included as the validation group.Participants were divided into a hematochezia group and a non-hematochezia group based on whether hematochezia occurred.Characteristic variables were selected using a combination of LASSO regression and the Boruta algorithm. Five machine learning algorithms-random forest,support vector machine,extreme gradient boosting(XGBoost),decision tree,and Logistic regression,were applied to construct prediction models.The area under the receiver operating characteristic curve(AUC) from internal validation was used as the primary criterion for selecting the optimal model.The optimal model was then subjected to external validation and interpretability analysis.

Results

Feeding intolerance,age in months,eczema,early-life antibiotic exposure,formula feeding,maternal consumption of allergenic foods during lactation,maternal history of allergy,and first feeding(formula) were identified as independent risk factors for hematochezia in infants with CMPA.The XGBoost model demonstrated the best predictive performance,with AUC values of 0.841 in the modeling group and 0.821 in the validation group.SHAP values of the XGBoost model revealed that feeding intolerance,age in months,and eczema were the top three important predictive factors.

Conclusions

The XGBoost model shows good performance in predicting the risk of hematochezia in infants with CMPA. It could serve as a reference for healthcare professionals to identify high-risk infants early.

Key words

cow's milk protein allergy(CMPA) / infants / hematochezia / feeding intolerance / eczema / machine learning / prediction model

引用本文

陈雅岚, 曾羽, 贾佳佳, 李润, 万小红, 张璐. 牛奶蛋白过敏婴儿血便风险预测模型的构建及验证. 护理研究, 2026 , 40 (17) : 3055 -3062 . DOI: 10.12102/j.issn.1009-6493.2026.17.014

Yalan CHEN, Yu ZENG, Jiajia JIA, Run LI, Xiaohong WAN, Lu ZHANG. Construction and validation of a risk prediction model for hematochezia in infants with cow's milk protein allergy[J]. Chinese Nursing Research, 2026 , 40 (17) : 3055 -3062 . DOI: 10.12102/j.issn.1009-6493.2026.17.014

正文

收起

近年来，过敏性疾病已成为全球重大公共卫生问题，牛奶蛋白过敏（cow's milk protein allergy,CMPA）是婴幼儿最常见的食物过敏之一，全球发生率为2.5%~3.0%^[1]，在工业化国家婴儿中其发生率为2.0%~7.5%^[2]，我国0~3岁婴幼儿患病率为2.5%~11.5%^[3]，部分地区报道其发生率接近6%^[4]，防控形势严峻。目前，我国牛奶蛋白过敏诊疗主要依据《中国婴幼儿牛奶蛋白过敏诊治循证建议》^[5]，将牛奶回避-双盲激发试验作为金标准，牛奶回避为核心疗法。然而，该标准在血便症状婴儿中存在局限，易导致误诊、漏诊或过度诊疗，亟须更高效的诊断方法。风险预测模型本质是通过结构化数学公式，精准评估特定受试者当前罹患某种疾病，或未来一段时间内出现特定临床结局的概率^[6]。本研究以牛奶蛋白过敏婴儿血便症状为切入点，运用机器学习分析相关因素、筛选关键变量，构建血便风险预测模型，旨在实现牛奶蛋白过敏早期识别与预警，为临床干预提供参考，助力改善牛奶蛋白过敏婴儿的诊疗结局。

1　对象与方法

收起

1.1　研究对象

采用便利抽样法，选取泸州市2024年1月—12月三级甲等医院儿科、儿童保健科门诊就诊的牛奶蛋白过敏婴儿为研究对象。纳入标准：按照《中国婴幼儿牛奶蛋白过敏诊治循证建议》^[5]牛奶回避-双盲激发试验诊断为牛奶蛋白过敏的患儿；年龄为0~1岁；患儿家长知情同意。排除标准：复诊病人；无法获取完整病例资料者；合并其他代谢性疾病或传染性疾病者。血便诊断标准：从消化道排出的血液，粪便颜色可能呈现鲜红/暗红色或类似柏油的状态^[7]。本研究的操作性定义为：将0~1岁婴儿因牛奶蛋白过敏出现血便定义为发生结局事件。根据是否发生血便，将研究对象分为发生组和未发生组。参照临床预测模型样本量估算方法^[8]，采用EPV（events per variable）原则，取EPV=10，结合文献报道的牛奶蛋白过敏婴儿血便发生率29.87%^[9]，计算得最小样本量为335例。考虑到回顾性研究中约10%的数据缺失，最终确定建模组至少需369例，验证组按7∶3比例设定为158例。本研究已通过西南医科大学附属中医医院伦理委员会批准(批件号：KY2024069)。

1.2　数据收集

本研究通过文献分析、小组讨论及专家函询形成牛奶蛋白过敏婴儿血便影响因素调查表初稿，经预调查修订后定稿。数据来源于门诊电子病历系统，剔除无效字段及缺失率>10%的变量或个案，最终纳入六大类共29个影响因素，包括人口学特征、既往史、家族过敏史、喂养史、临床表现及母亲情况。

1.3　模型的建立

选取LASSO回归和Boruta算法的交集筛选特征变量，确定牛奶蛋白过敏婴儿血便的独立危险因素。并选择5种机器学习算法用于构建预测模型，包括随机森林(random forest，RF)、支持向量机(support vector machine，SVM)、极端梯度提升机(extreme gradient boosting，XGBoost)、决策树（decision tree，DT）及Logistic回归（Logistic regression,LR）模型，为确保模型性能的最优化，每个模型均通过网格搜索与5折交叉验证确定最优超参数。

1.4　模型评价与验证

1.4.1　模型评价

本研究采用受试者工作特征（ROC）曲线下面积（area under curve，AUC）、准确率、精确率、召回率、F1分数、阳性预测值（positive predictive value，PPV）、阴性预测值（negative predictive value，NPV）、敏感度、特异度、拟合优度、Brier分数和临床适用性评估模型性能。其中AUC、拟合优度、临床适用性3个指标分别用ROC曲线、校准曲线和临床决策曲线（decision curve analysis,DCA）表示。

1.4.2　模型验证

模型验证是评估模型性能与泛化能力的关键环节，包括内部验证与外部验证。内部验证通过5折交叉验证评估模型在训练数据上的稳定性，用于超参数调优；外部验证则通过独立数据集检验模型在真实场景中的预测能力。

1.5　最佳模型的构建与评估

采用LASSO与Boruta算法筛选特征，并通过网格搜索优化超参数。模型内部验证采用5折交叉验证，以AUC为主要评价指标，采用Delong检验比较模型间AUC差异。若AUC相近，则综合校准度与临床适用性择优。最终对优选模型进行外部验证及沙普利可加性解释值（SHAP）可解释性分析。

1.6　SHAP可视化解释机器学习模型

SHAP是一种基于博弈论的模型解释方法，通过为每个特征分配SHAP值量化其对预测结果的影响。SHAP值的正负表示影响方向（正向促进或负向抑制），绝对值反映影响强度。通过汇总所有特征的SHAP值，可绘制SHAP摘要图与特征重要性排序图，直观展示各风险因素的重要性及其贡献程度。

1.7　统计学分析

数据统计分析采用Python3.8.2完成。定量资料经Kolmogorov-Smirnov检验判断分布类型，符合正态分布资料以均数±标准差（x±s）表示，比较采用t检验；偏态分布的定量资料以中位数（四分位数）[M(P₂₅,P₇₅)]表示，采用Wilcoxon秩和检验。定性资料以例数、百分比(%)表示，比较采用χ²检验，等级资料采用秩和检验。检验水准α=0.05。模型构建、评估与筛选通过R 4.5.1实现，采用5种模型算法建立牛奶蛋白过敏婴儿血便风险预测模型，并对最优模型进行外部验证与SHAP可解释性分析。

2　结果

收起

2.1　纳入研究对象一般特征

本研究共纳入583例牛奶蛋白过敏婴儿，其中建模组408例、验证组175例。建模组与验证组基线特征比较见表1。建模组408例牛奶蛋白过敏婴儿中，发生血便149例；发生血便的婴儿中，女70例（47.0%），男79例（53.0%）；胎龄38.1（37.0,39.2）周；月龄4.2（2.2,7.1）个月；出生体重3 000.0（2 550.0,3 280.0）g；剖宫产83例(55.7%)，顺产66例(44.3%)。两组一般资料比较见表2。

2.2　LASSO回归筛选变量

本研究采用LASSO回归筛选预测变量。通过分析不同lambda值下的系数变化（图1），以lambda.min为标准确定最优值（图2），该标准对应最小平均误差。随着lambda值增大，模型复杂度降低，部分变量系数收缩至零并被剔除，最终筛选出17个关键变量，包括月龄、喂养不耐受、生命早期抗生素暴露、母亲过敏史等。

2.3　Boruta算法筛选变量

全部预测变量纳入Boruta算法，最终获取18个特征变量，分别为体重不增、喂养不耐受、月龄、胎龄、腹胀、湿疹、荨麻疹、母亲过敏史、生命早期抗生素暴露、出生体重、第1口奶（奶粉）、是否入住新生儿重症监护室（NICU）、腹泻、人工喂养、兄弟姐妹过敏史、哺乳期食用过敏饮食、混合喂养、呕吐。见图3。

结合LASSO回归和Boruta算法筛选的变量结果，取交集后，月龄、喂养不耐受、生命早期抗生素暴露、母亲过敏史、第1口奶（奶粉）、哺乳期食用过敏饮食、湿疹、人工喂养8个变量作为最终特征集合，用于构建牛奶蛋白过敏婴儿血便风险预测模型。

2.4　超参数调优及模型构建

本研究基于8个特征变量，采用网格搜索与5折交叉验证相结合的方法进行模型训练与超参数优化，并以AUC作为核心指标确定最佳参数组合。结果显示，决策树模型cp=0.0021时；随机森林模型mtry=2，ntrees=500时；XGBoost模型eta=0.01，max_depth=3，gamma=0,colsample_bytree=0.8，min_child_weight=1，subsample=0.8，nrounds=500时；支持向量机模型cost=1，sigma=0.1时，5个模型性能表现稳定。将最佳超参数组合分别输入5种机器学习算法，构建牛奶蛋白过敏婴儿血便风险预测模型。

2.5　预测模型的内部验证

2.5.1　模型区分度

Logistic回归模型的AUC值为0.833(0.793，0.873)，决策树模型的AUC值为0.784(0.740，0.829)，随机森林模型的AUC值为0.826(0.786，0.866)，支持向量机模型的AUC值为0.829(0.788，0.869)，XGBoost模型的AUC值为0.841(0.802，0.880)，XGBoost模型表现最优。模型的其他性能指标见表3、图4。

2.5.2　模型校准度

经H-L检验分析得到5个模型的检验结果，Logistic回归模型：χ²=6.473，P=0.090；决策树模型：χ²=57.846，P<0.001；随机森林模型：χ²=6.619，P=0.085；支持向量机模型：χ²=6.016，P=0.119；XGBoost模型：χ²=2.819，P=0.420。XBGoost模型和SVM模型校准度较好（P>0.05）。见图5。

2.5.3　模型临床适用性

牛奶蛋白过敏婴儿血便使用各模型预测所获得的净收益情况见图6。结果显示，Logistic回归模型的预测概率为0.17~0.90，决策树模型的预测概率为0.10~0.98，XGboost模型的预测概率为0.08~0.97，支持向量机模型的预测概率为0.18~0.87，随机森林模型的预测概率为0.11~0.93，所有模型在净效益曲线均位于均优于“全部不治疗”策略。XGBoost临床有效阈值范围为0.08~0.97，在大部分阈值范围内净收益较高。

2.6　最适宜模型筛选

从模型的区分度来看，经过Delong检验，各模型间的AUC值差异比较均无统计学意义（P>0.05）。见表4。结合模型的校准度和模型的临床适用性来看，XGBoost模型均优于其他模型，选择为最优预测模型。

2.7　最适宜模型的外部验证

2.7.1　模型区分度

将最适宜模型带入验证组数据中，XGBoost模型在外部验证中的AUC为0.821(0.756，0.886)。模型的其他性能表现见表5。模型的区分能力见图7。

2.7.2　模型校准度

XGBoost模型的H-L检验结果为χ²=6.18，P=0.103。模型的校准曲线见图8。

2.7.3　模型临床适用性

在外部验证中，XGBoost模型的预测概率未0.30~0.97时，模型的净效益曲线位于牛奶蛋白过敏婴儿全部干预治疗的净效益曲线和全部不干预治疗的净效益曲线之间，在此范围内使用XGBoost模型预测的净获益为正值。见图9。

2.8　最适宜模型的可解释性分析

本研究采用XGBoost模型作为最终预测工具，并运用SHAP对模型预测逻辑进行解释。结果显示，喂养不耐受、月龄、湿疹、生命早期抗生素暴露、人工喂养、哺乳期食用过敏饮食、母亲过敏史及第一口奶为奶粉等因素均对血便风险产生正向影响，见图10。特征重要性排序进一步表明，喂养不耐受对预测结果的贡献最大，其余因素按重要性依次为月龄、湿疹、生命早期抗生素暴露、人工喂养、哺乳期食用过敏饮食、母亲过敏史和第一口奶为奶粉，见图11。

3　讨论

收起

3.1　构建牛奶蛋白过敏婴儿血便风险预测模型的意义及科学性

婴儿牛奶蛋白过敏是常见的儿科问题，血便作为其典型症状之一，不仅提示已发生肠道黏膜损伤，若未能及时识别与干预，可能加重患儿的变态反应进程，影响营养吸收与生长发育，并为家庭带来照护负担^[10]。本研究通过整合临床多维度数据，构建了牛奶蛋白过敏婴儿血便风险预测模型。XGBoost模型作为最适宜模型，建模组AUC为0.841，H-L拟合优度检验P>0.05，外部验证准确率达70.9%，这些指标一致表明该模型对牛奶蛋白过敏血便风险具备优良的区分能力与校准度，能够有效筛选出血便高风险婴儿。该模型基于易于获取的临床变量，操作简便，易于在基层医院推广，兼具科学性与实用性，表明在临床应用时仍需结合医护人员的临床经验及患儿的实时动态表现进行综合判断，以期最大限度降低漏诊与误诊风险。

3.2　牛奶蛋白过敏婴儿血便发生的影响因素

3.2.1　免疫系统发育与屏障功能失调通路

结果显示，低月龄（尤其是<6个月）、湿疹、生命早期抗生素暴露是出现血便的风险因素。此阶段婴儿肠道黏膜屏障结构疏松、功能不全，且肠道免疫系统与消化能力尚未成熟，致使大分子牛奶蛋白易于透过肠黏膜，引发局部免疫炎症反应，造成肠黏膜损伤，最终表现为血便^[11]。湿疹不仅是牛奶蛋白过敏的常见伴发症状，更是婴儿特应性体质与皮肤屏障功能缺陷的标志。李欢梓等^[12]研究发现，湿疹发生机制与肠道类似，均源于免疫系统发育不成熟；当婴儿接触食物蛋白抗原时，不健全的屏障功能与失衡的免疫应答共同作用，可同时诱发肠道与皮肤的过敏表现。生命早期使用抗生素，则从环境层面增加了血便风险，通过扰乱肠道菌群的正常建立与发育^[13]，破坏关键的免疫耐受训练过程。根据“卫生假说”^[14]，早期接触多样微生物能促进免疫系统向抗炎方向成熟；而抗生素会削减菌群多样性，尤其损害有益菌，从而削弱肠道屏障，增加黏膜通透性，使牛奶蛋白更易致敏，最终促成血便的发生。

3.2.2　过敏原暴露与致敏通路

结果显示，人工喂养、第一口奶（奶粉）、哺乳期母亲食用过敏饮食是诱发或加重牛奶蛋白过敏婴儿消化道症状的关键外部因素。当婴儿摄入普通牛奶配方粉时，其未分类的肠杆菌属等菌群可能异常增加，进而提升对过敏原的敏感风险^[15]。普通配方奶以异种牛奶蛋白为基础^[16]，在婴儿肠道屏障脆弱、菌群尚未健全的阶段，大量完整的牛奶蛋白大分子极易穿过肠壁，被免疫系统识别为外来致敏原，引发免疫球蛋白E（IgE）或非IgE介导的免疫反应，导致初次致敏；再次接触时即可能触发明显的过敏症状^[17]。因此，应积极提倡纯母乳喂养。母乳中的蛋白质为同种蛋白，免疫原性低，且所含的微量食物蛋白片段能以温和方式促进婴儿口服免疫耐受的建立^[18-19]。然而，对已确诊或高过敏风险的牛奶蛋白过敏婴儿，情况有所不同。由于其肠道在生命早期具有高敏感性与可变性，即使母乳中极微量的牛奶蛋白肽段也足以激发免疫反应^[20]。因此，这类婴儿的一线干预方法为母亲严格回避饮食中的过敏原，并应在出生后避免早期接触普通配方奶，这也进一步印证了“第一口奶”理论在预防过敏中的重要性^[21]。

3.2.3　遗传易感性及非特异性消化道症状通路

母亲过敏史、喂养不耐受是诱发或加重牛奶蛋白过敏婴儿便血的因素。研究表明，母亲过敏史是婴儿发生牛奶蛋白过敏的一个重要风险因素^[22]。母亲有过敏史表明其携带易感基因，这些基因会遗传给后代，导致婴儿免疫系统更易对无害蛋白（如牛奶蛋白）产生异常反应。喂养不耐受主要是指婴儿对肠内喂养，尤其是奶类的一系列临床不良反应。有研究认为，对于牛奶蛋白过敏婴儿，喂养不耐受和血便因果相连、相互加剧^[23]。喂养不耐受的临床反应会直接损伤婴儿的肠道黏膜，导致消化吸收功能下降，引起黏膜糜烂、出血，从而引起大便中带血丝或黏液血便。由于血便可能不是最早出现的症状，而喂养不耐受的一系列表现，如腹胀、呕吐、哭闹等症状往往先于血便出现。因此，将喂养不耐受视为牛奶蛋白过敏的早期预警信号，有助于医生和家长更早进行干预，避免该类婴儿出现血便等更严重症状的发生。

4　小结

收起

本研究显示，牛奶蛋白过敏婴儿血便发生风险较高，喂养不耐受、月龄、湿疹、生命早期抗生素暴露、人工喂养、哺乳期食用过敏饮食、母亲过敏史、第一口奶（奶粉）是血便发生的重要危险因素。基于上述因素构建的XGBoost预测模型具有良好的区分度、校准度和临床适用性，有助于医护人员早期识别血便高风险患儿，并针对相关因素进行干预。但本研究由于对象的特殊性，在实验室指标的收集上存在局限性，未来有待进一步收集实验室指标完善预测模型。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

,Chen

,Xian

,et al.Time trends of childhood food allergy in China:three cross-sectional surveys in 1999,2009,and 2019[J].Pediatr Allergy Immunol,2021,32(5):1073-1079.

Mehaudy

,Jáuregui

M B

,Vinderola

,et al.Cow's milk protein allergy; new knowledge from a multidisciplinary perspective[J].Archivos Argentinos de Pediatria,2022,120(3):200-206.

张倩.婴幼儿食物过敏现状调查及发生影响因素研究[J].川北医学院学报,2021,36(4):480-483.

Bian

,Wang

,Xu

,et al.Characteristics of cow's milk allergy and sensitization in Chinese patients[J].Chin Med J,2022,135(22):2738-2740.

中华医学会儿科学分会免疫学组.中国婴幼儿牛奶蛋白过敏诊治循证建议[J].中华儿科杂志,2013,51(3):183-186.

E H

,Francis

,Bernier-Jean

,et al.Prediction modeling:part 1:regression modeling[J].Kidney International,2020,97(5):877-884.

李方,苗丽红,孔高远.母亲饮食回避法与特殊配方奶粉治疗以便血为主要症状牛奶蛋白过敏新生儿的疗效对比[J].医学理论与实践,2023,36(8):1276-1279.

Riley

R D

,Ensor

,Snell

K I E

,et al.Calculating the sample size required for developing a clinical prediction model[J].BMJ,2020,1:m441.

申丹,肖婧,田立龙,等.154例以胃肠道症状为主要表现的婴儿牛奶蛋白过敏的流行特征分析[J].实用预防医学,2020,27(5):598-601.

Ventura

M T

,Polimeno

,Amoruso

A C

,et al.Intestinal permeability in patients with adverse reactions to food[J].Digestive and Liver Disease,2006,38(10):732-736.

王爱平,谢蒙蒙,李伟霞,等.婴儿牛奶蛋白过敏的胃肠道症状特征分析及胃肠镜下表现[J].现代医药卫生,2021,37(24):4267-4270.

李欢梓,何卫恒,王胤人.深圳地区婴幼儿湿疹的相关因素分析[J].中国麻风皮肤病杂志,2012,28(4):294-295.

包佳丽,黄丽素,张维溪.生命早期抗生素使用对儿童食物过敏影响的研究进展[J].国际儿科学杂志,2025,52(3):170-174.

赵育瑾,赵军英,刘彦品,等.肠道微生物改善季节性过敏研究进展[J].中国食品学报,2025,25(8):388-403.

Tun

H M

,Peng

,Chen

B L

,et al.Ethnicity associations with food sensitization are mediated by gut microbiota development in the first year of life[J].Gastroenterology,2021,161(1):94-106.

殷道根,何珍,曾小辉,等.0~36月龄婴幼儿过敏性疾病症状的危险因素分析[J].新疆医科大学学报,2021,44(9):1071-1076.

任有凤,王雍,李阳,等.生命早期肠道微生态的形成与牛奶蛋白过敏发展之间的关系[J].中国微生态学杂志,2025,37(8):977-980;985.

庄莉莉,卢梅娜.纯母乳喂养婴幼儿早期生长发育与母乳成分的相关性研究[J].西藏医药,2025,46(4):73-75.

赵晴,宋伟康,刘龙岩,等.0~6个月进食行为与唾液成分的相关性及对婴幼儿生长发育影响的调查[J].中国优生与遗传杂志,2025,33(5):1221-1227.

齐琪,朱中海,王良,等.产时抗菌药物预防对6月龄内婴儿肠道菌群组成的影响[J].中国妇幼健康研究,2023,34(7):1-9.

邓凤良,方玉琦,尹转,等.基于信息-动机-行为技巧模型的链式管理对促进早产儿母乳喂养的效果评价[J].中华急危重症护理杂志,2024,5(5):446-451.

张祥生,赵艳芳,等.安徽省芜湖市城区0~24月龄婴幼儿过敏性疾病的危险因素分析[J].中国当代儿科杂志,2017,19(3):303-307.

张梦霞,杨飞,沈丽,等.低出生体重早产儿肠道菌群变化与喂养不耐受的相关性分析[J].中国妇幼保健,2025,40(12):2177-2181.

2026年第40卷第17期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.17.014

接收时间：2025-11-11
首发时间：2026-10-30
出版时间：2026-09-10

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-11-11
修回日期：2026-05-18

基金

作者信息

¹西南医科大学护理学院，四川 646000

²西南医科大学附属中医医院

³成品输液质量检测与精准用药技术创新泸州市重点实验室

⁴西南医科大学附属医院

⁵泸州市妇幼保健院

通讯作者:

李润，E-mail：843485744@qq.com

LI Run, E-mail: 843485744@qq.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.17.014

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

变量	分类	建模组（n=408）	验证组（n=175）	统计值	P
性别[例(%)]	女	196(48.0)	91(52.0)	χ²=0.82	0.432
	男	212(52.0)	84(48.0)
胎龄[M(P₂₅,P₇₅)，周]		37.5(36.5,39.0)	37.4(36.5,39.0)	Z=0.42	0.643
月龄[M(P₂₅,P₇₅)，个月]		5.2(3.0,8.3)	6.0(3.2,8.0)	Z=0.45	0.584
出生体重[M(P₂₅,P₇₅)，g]		2 915.0(2 550.0,3 162.5)	3 000.0(2 550.0,3 230.0)	Z=0.63	0.507
出生方式[例(%)]	剖宫产	207(50.7)	103(58.9)	χ²=2.82	0.087
	顺产	201(49.3)	72(41.1)

变量

分类

建模组（n=408）

验证组（n=175）

统计值

性别[例(%)]

女

196(48.0)

91(52.0)

χ²=0.82

0.432

男

212(52.0)

84(48.0)

胎龄[M(P₂₅,P₇₅)，周]

37.5(36.5,39.0)

37.4(36.5,39.0)

Z=0.42

0.643

月龄[M(P₂₅,P₇₅)，个月]

5.2(3.0,8.3)

6.0(3.2,8.0)

Z=0.45

0.584

出生体重[M(P₂₅,P₇₅)，g]

2 915.0(2 550.0,3 162.5)

3 000.0(2 550.0,3 230.0)

Z=0.63

0.507

出生方式[例(%)]

剖宫产

207(50.7)

103(58.9)

χ²=2.82

0.087

顺产

201(49.3)

72(41.1)

变量	分类	发生组（n=149）	未发生组（n=259）	统计值	P
性别[例(%)]	女	70(47.0)	126(48.6)	χ²=0.06	0.824
	男	79(53.0)	133(51.4)
胎龄[M(P₂₅,P₇₅)，周]		38.1(37.0,39.2)	37.1(36.0,38.2)	Z=1.21	0.187
月龄[M(P₂₅,P₇₅)，个月]		4.2(2.2,7.1)	6.1(3.3,9.1)	Z=3.32	<0.001
出生体重[M(P₂₅,P₇₅)，g]		3 000.0(2 550.0,3 280.0)	2 900.0(2 550.0,3 150.0)	Z=1.51	0.133
出生方式[例(%)]	剖宫产	83(55.7)	124(47.9)	χ²=0.18	0.156
	顺产	66(44.3)	135(52.1)

变量

分类

发生组（n=149）

未发生组（n=259）

统计值

性别[例(%)]

女

70(47.0)

126(48.6)

χ²=0.06

0.824

男

79(53.0)

133(51.4)

胎龄[M(P₂₅,P₇₅)，周]

38.1(37.0,39.2)

37.1(36.0,38.2)

Z=1.21

0.187

月龄[M(P₂₅,P₇₅)，个月]

4.2(2.2,7.1)

6.1(3.3,9.1)

Z=3.32

<0.001

出生体重[M(P₂₅,P₇₅)，g]

3 000.0(2 550.0,3 280.0)

2 900.0(2 550.0,3 150.0)

Z=1.51

0.133

出生方式[例(%)]

剖宫产

83(55.7)

124(47.9)

χ²=0.18

0.156

顺产

66(44.3)

135(52.1)

模型	准确率	精确率	召回率	F1分数	特异度	PPV	NPV
Logistic回归	0.777	0.771	0.751	0.761	0.800	0.771	0.782
决策树	0.711	0.707	0.663	0.684	0.753	0.707	0.714
随机森林	0.765	0.759	0.736	0.747	0.791	0.759	0.769
XGBoost	0.790	0.754	0.762	0.758	0.777	0.754	0.784
支持向量机	0.767	0.755	0.751	0.753	0.781	0.755	0.778

模型

准确率

精确率

召回率

F1分数

特异度

PPV

NPV

Logistic回归

0.777

0.771

0.751

0.761

0.800

0.771

0.782

决策树

0.711

0.707

0.663

0.684

0.753

0.707

0.714

随机森林

0.765

0.759

0.736

0.747

0.791

0.759

0.769

XGBoost

0.790

0.754

0.762

0.758

0.777

0.754

0.784

支持向量机

0.767

0.755

0.751

0.753

0.781

0.755

0.778

项目	Z值	P
XGBoost与随机森林比较	0.523	0.601
XGBoost与支持向量机比较	0.434	0.664
XGBoost与Logistic回归比较	0.280	0.779
Logistic回归与随机森林比较	0.240	0.810

项目

Z值

XGBoost与随机森林比较

0.523

0.601

XGBoost与支持向量机比较

0.434

0.664

XGBoost与Logistic回归比较

0.280

0.779

Logistic回归与随机森林比较

0.240

0.810

项目	外部验证
AUC	0.821
准确率	0.709
灵敏度	0.731
F1分数	0.713
特异度	0.742
PPV	0.696
NPV	0.772

项目

外部验证

AUC

0.821

准确率

0.709

灵敏度

0.731

F1分数

0.713

特异度

0.742

PPV

0.696

NPV

0.772