背景  准确识别有侵袭性细菌感染 (IBI) 风险的发热婴儿，如菌血症和脑膜炎，对于减少相关不良结局并避免不必要的侵入性操作至关重要。机器学习 (ML) 在提高其诊断准确性方面的作用，仍有待进一步评估。

目的  系统评价基于ML的模型在识别90 d以内发热婴儿IBI的诊断效能。数据来源系统检索MEDLINE、Scopus、Embase、CINAHL、CENTRAL、ClinicalTrials.gov以及世界卫生组织国际临床试验注册平台数据库，检索时间截至2024年12月。

研究选择  符合纳入标准的研究均将ML模型应用于90 d以内的发热婴儿以识别IBI，并报告诊断性能指标，同时以培养确诊感染作为参考标准。在筛选的4 756条记录中，最终6项研究符合纳入标准。

数据提取  2名研究者独立提取研究特征、模型类型、预测结局和准确性指标。采用改良的诊断准确性研究质量评价工具第2版 (QUADAS-2) 评估偏倚风险。由于研究之间存在显著的方法学异质性，因此无法进行meta分析。

结果  6项研究评估了多种ML模型，包括logistic回归、随机森林、神经网络、支持向量机和集成方法。模型敏感度为57%～100%，特异度为30%～94%，ROC-AUC范围为0.57～0.9。多个模型在预测IBI方面优于传统工具 (如PECARN、Step-by-Step)，尤其在特异度方面表现突出。

局限性  局限性包括多项研究采用回顾性数据收集方式、数据处理的报告有限以及缺乏外部验证。

结论  ML模型在识别IBI风险婴儿方面显示出良好的效能，并且在提高特异度方面优于传统工具。未来研究应系统整合并透明报告模型可解释性分析，以提高模型的临床可解释性。在临床推广应用之前，必须进行更广泛的验证，推进方法学标准化，并进行谨慎的临床整合。