深度学习辣汤小组文献阅读学习之一百六十一篇
2024/2/22
DeepLearning 深度学习辣汤小组
急性肾损伤危重患者死亡率和主要肾脏不良事件的预测
Abstract
2023年，来自美国肯塔基大学内科学系、肾病学系统以及骨与矿物质代谢专业的Javier A. Neyra等人开发了急性肾损伤危重患者死亡率和主要肾脏不良事件风险分层的临床模型。并在Am J Kidney Dis（IF：13.2 医学1区 TOP）期刊上发表题为“Prediction of Mortality and Major Adverse Kidney Events in Critically Ill Patients With Acute Kidney Injury”的文章。
DOI
https://doi.org/10.1053/j.ajkd.2022.06.004
一、研究背景
重症监护病房（ICU, Intensive Care Units）内的危重患者群体中，急性肾损伤（AKI, Acute kidney injury）的发生率高达50%。该疾病会显著提高住院期间的死亡风险，对于幸存者，则会导致全身性的严重影响，例如高发心血管疾病及逐步恶化的肾脏疾病。除此之外，由于AKI带来的总体发病率增长，进一步加剧了医疗资源的消耗与医疗成本的上升问题。鉴于AKI与公众健康密切相关性，因此，迫切需要研发具有临床意义的工具，以协助对患者的预后以及AKI治疗后的病程进行风险分层分析。这些工具有望协助实施各种干预方案，以减轻AKI及其并发症的负担。
考虑到在评估危重患者肾脏恢复时存在死亡风险，主要肾脏不良事件（MAKE, major adverse kidney events）的预后表现-包括死亡、需要接受肾脏替代疗法（RRT, renal replacement therapy）以及肾小球滤过率下降，已经被公认是AKI治疗后的预后的关键指标。因此，能够辨识出在AKI发作后哪些患者会发展为MAKE情况对于指导临床决策以及优化医疗保健服务的提供有着至关重要的作用。本研究致力于开发并验证针对患有AKI的危重成人患者的风险分层模型，以助于深入了解他们在医院死亡率和MAKE个人风险方面的具体情况。
二、数据集
本研究进行了一项多机构合作的回顾性队列研究。原始队列包括自2009年3月至2017年2月期间在肯塔基大学医院（以下简称UKY）ICU住院治疗的成年患者；验证队列则包括自2009年5月至2015年12月期间在德克萨斯大学西南医学中心（以下简称UTSW）ICU住院治疗的成年患者。两个队列均与美国肾脏数据系统相关联。最终UKY队列共纳入7354例AKI患者，UTSW队列纳入2233例患者(图1)。
三、研究方法
本研究使用四种机器学习算法：逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）和极限梯度提升（XGBoost），建立了医院死亡率临床预测模型和MAKE临床预测模型，在UKY队列上采用十倍交叉验证方法评估了提出临床模型的预测性能，同时在UTSW队列进行了外部验证。将所提出的临床模型与相应的基线模型(医院死亡率、SOFA；MAKE、ICU中0-3天的最大KDIGO AKI分期)进行比较。选择LR为基线模型，因为其在单一特征场景具有更好的性能表现。采用AUC，灵敏度，敏感度，特异性，F1分数，精度/阳性预测值，阴性预测值作为模型的评价指标。并且还采用SHAP（Shapley Additive Explanations）框架用于特征选择和解释。
四、结果与结论
如图2所示，本研究开发的医院死亡率临床预测模型由15项特征组成，根据SHAP原则对其进行了重要性排序。接触升压药/强心剂、尿量、最高呼气末氧浓度、最低血小板计数和最高血清尿素氮等因素均是两个研究组中的重要因素。
由表1可知，在对推导和验证队列进行预测时，医院死亡率临床预测模型（AUC=0.79）优于SOFA评分（AUC=0.71）；在验证队列也展现了相同的情况。就敏感性及阴性预测值而言，本模型都在两个队列中有效提升了对医院死亡率的预测能力。
本研究还构建了包括14个特征的MAKE临床预测模型，这些特征根据SHAP按其重要性进行了排列，由图3可知，在ICU 0-3天内的最后KDIGO AKI阶段、尿量输出、最高氧浓度、升压/正性肌力药物需求和最高血钠等是这两组研究对象中最重要的预测因素。
与最大KDIGO AKI阶段相比，临床模型在ICU住院日0至3天的MAKE预测方面表现更为优越，由表2可知，其AUC达到0.78，优于最大KDIGO AKI阶段（AUC：0.66）。在验证队列中，临床模型的预测准确性也具有优势。无论在导出队列还是在验证队列中，临床模型都提高了其对MAKE预测的敏感度和阴性预测值。
通过图4A可知，在推导队列中，474例患者的住院死亡率预期风险<10%，只有7例(1.5%)死亡。相比之下，在预测死亡风险>50%的2,851例患者中，有1,171例(41.1%)患者死亡。在验证队列中也观察到类似的风险分类。与APACHE II评分相比，临床模型表现出类似的整体更好的表现。而图4B显示了在推导队列中，214例患者的预测MAKE风险<10%，其中只有10例(4.7%)患者出现了预后。相反，2984例患者预测发生MAKE的风险大于50%，其中1661例(55.7%)患者发生了MAKE。在验证队列中也观察到类似的风险分类。
综上所述，本研究构建并验证了适用于临床实践的模型，利用来自ICU初次AKI患者首次次入住ICU前三天的数据，成功预测了他们在ICU住院期间以及出院后长达120天内的死亡率以及MAKE。
图1：推导(UKY)和验证(UTSW)研究队列流程图
图2：SHAP框架所提取的预测医院死亡率的前15个重要特征
表1：推导和验证队列中医院死亡率预测模型的预测性能
图3：SHAP框架所提取的预测MAKE的前14个重要特征
表2：推导和验证队列中MAKE预测模型的预测性能
图4：两个研究队列中，对(A)医院死亡率和(B) MAKE的预测风险与事件发生率的对比分析
Pepper soup transformed by: Jin Daipeng
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
