重复献血可造成红细胞流失继而消耗人体铁储备，引发乏力、认知减退等缺铁不适症状。当前全球血站无法现场快速检测铁蛋白以评估真实铁储备水平，仅靠采血前指尖血红蛋白初筛判定献血资格，筛查标准过严会导致大量合格献血者被无故暂缓从而降低采血效率，标准放宽则会加重献血者缺铁损伤。
既往研究模型仅能判断血红蛋白或铁蛋白是否低于阈值，且缺乏多国大样本外部验证，适用范围有限。本项发表于《Lancet Haematol》的跨国联合研究，构建的机器学习模型可直接预测重复献血者下次献血时的血红蛋白与铁蛋白水平，为全球血站提供循证数字化管理工具，兼顾献血者健康保护与血液供给稳定。
研究方法
研究采用回顾性队列设计，完成机器学习预测模型的开发与跨国多中心外部验证。模型训练集纳入美国RISE研究2007-2009年2,425名重复献血者数据；模型外部验证采用美国、南非、荷兰2014-2023年血站献血数据，样本量覆盖1.1万至51.4万例次献血。
两类建模场景为仅“基线血红蛋白”和“基线血红蛋白+铁蛋白”，模型预测变量均为血站常规采集指标，包括近12/24个月红细胞丢失量、距上次献血间隔、累计献血次数、年龄、性别、基线血红蛋白、基线铁蛋白等，预测结果为献血者再次献血时的血红蛋白水平（g/L）和经log10转换铁蛋白浓度（μg/L）。
通过对比弹性网络、随机森林、XGBoost、CatBoost 四种算法及集成模型，采用嵌套交叉验证筛选最优模型，以均方百分比误差（RMSPE）评估模型预测精度，结合SHAP值解析特征贡献度，同步开展亚组误差分析和缺铁阈值分类效能评估，并通过1000次Bootstrap重抽样验证结果稳定性。
研究结果
血红蛋白预测稳定性强，跨国泛化表现优异，两类建模场景训练集RMSPE均为6.78，美国、南非、荷兰三国外部验证误差增幅均不超过8%，基线铁蛋白对血红蛋白预测无明显增益，仅依靠基线血红蛋白即可实现精准预测。
铁蛋白预测精度差异明显，“基线血红蛋白”模型训练集RMSPE为27.4，“基线血红蛋白+铁蛋白”联合模型误差则降为14.9，但外部验证中南非联合模型误差上升 28%，可能与当地缺铁人群占比高相关，其余队列增幅均处于可控范围。
SHAP分析显示基线血红蛋白和再次献血间隔是血红蛋白/铁蛋白的首要预测变量；亚组分层分析表明仅献血间隔、性别、种族、年龄带来小幅误差波动，但不存在系统性人群偏差，整体模型跨人群、跨时间稳定性良好。
启示
1.普适性强
模型适配各国差异化献血判定标准，无需新增检测设备，仅依托现有采血常规采集指标即可运行，通用性强，推广门槛低。
2.支持血站分层应用
基层血站可采用“基线血红蛋白”模型开展基础管理，而具备铁蛋白检测条件的血站可采用“基线血红蛋白+铁蛋白”联合模型，进一步提升缺铁风险识别能力。
3.革新献血管理模式
模型可精准预判献血者铁储备恢复程度，推动传统“一刀切” 固定间隔模式，转向基于个体铁代谢的精细化、智能化献血者管理方案。动态设定个性化献血间隔，既能避免铁储备未恢复人群献血，保护献血者健康，又能减少不必要暂缓，稳定献血队伍与血液供给。
来源：广州血液中心
翻译：梁明月
校对：欧阳剑
Machine-learning models to predict iron recovery after blood donation: a model development and external validation study
DOI: https://doi.org/10.1016/S2352-3026(25)00068-7
Li W, Su CY, Meulenbeld A, Jagirdar H, Janssen MP, Swanevelder R, Bruhn R, Kaidarova Z, Bravo MD, Cao S, Custer B, van den Berg K, Russell WA. Machine-learning models to predict iron recovery after blood donation: a model development and external validation study. Lancet Haematol. 2025 Jun;12(6):e431-e441.
