住院患者急性肾损伤的风险预测与关键影响因素分析

作者：张钦; 郭圣文^*; 梁馨苓; 陈源汉; 吴燕华; 付蕾

来源：中国生物医学工程学报, 2019, 38(06): 702-710.

• 急性肾损伤
• 机器学习
• 风险预测
• 危险因素

急性肾损伤(AKI)是住院患者常见的危重症之一,具有较高的发病率和死亡率。建立预测模型,对AKI进行预测,并分析影响其发生的危险因素,以便对具有AKI潜在风险患者进行及时干预。选择住院2～14 d的90 780位受试者(其中,AKI患者7 983名,non-AKI患者82 797名,按4∶1划分训练集和独立测试集),收集其住院期间的生化指标、药物的使用情况、基本信息,以及入院科室、合并症情况、住院时间等其他临床信息,分别应用逻辑回归、随机森林、LightGBM等3种机器学习模型,经十折交叉验证法进行训练后,对独立测试集在24 h后是否发生AKI进行预测;并根据受试者特性工作曲线下的面积(AUC)以及召回率和准确率的调和F1值,评估与比较不同模型的性能。结果表明,LightGBM模型最优,其F1、AUC、敏感性与特异性分别为0.800、0.871、0.755和0.987。影响AKI发生的重要因素有:一是一般临床特征,包括年龄、已住院天数、入院科室;二是检验结果,包括首检肌酐值、血液中的钠、钾、氯、尿酸及糖化血红蛋白的含量;三是药物,包括抗感染类药物、非甾体类抗炎症药物、利尿药或脱水药、肾上腺素受体激动剂、造影剂、ACEI/ARB类降压药,以及用药种类,药物治疗天数;四是合并症,如中重度肾病。利用住院患者的临床信息,机器学习模型可以在24 h内有效地预测AKI的发生风险,揭示影响AKI发生的重要因素,对住院患者的合理有效治疗、AKI风险人群的及时干预提供重要依据。

• 单位
  华南理工大学; 广东省人民医院（广东省医学科学院）