Med-MIMIC，持续分享MIMIC临床生信文献与思路解读，捕捉当下热点思路，感兴趣的老师可以点点关注~需要定制化分析的老师欢迎扫码联系~
文章标题：Risk prediction models for successful discontinuation in acute kidney injury undergoing continuous renal replacement therapy
中文标题：接受连续肾脏替代治疗的急性肾损伤成功停药的风险预测模型
发表期刊：iScience.
发表时间：2024年6月
影响因子：4.6/Q1
急性肾损伤 （AKI） 是危重症患者中普遍存在的并发症，是全球关注的重大问题。大约 20-50% 的重症患者入住重症监护病房 （ICU） 患有 AKI，其中 10-15% 的患者需要肾脏替代疗法 （RRT），死亡率为 30-70%。连续性肾脏替代疗法 （CRRT） 是严重急性肾损伤 （AKI） 个体常用的治疗方式。本研究的目的是构建和评估接受这种干预的危重症 AKI 患者及时停止 CRRT 的预后模型。
思路
从 MIMIC-IV 数据库 （n = 758） 回顾性收集数据用于模型开发，从湖州市中心医院重症监护病房 （ICU） （n = 320） 收集数据用于模型验证。利用 LASSO 回归选择特征开发了 9 个机器学习模型。
研究人群
纳入标准：（1） 根据肾脏疾病改善全球结果 （KDIGO） 诊断标准诊断为 AKI 的成年患者 （≥18 岁）;（2） 接受 CRRT 的患者;（3） 在 ICU 住院至少 24 小时。
排除标准：患有终末期肾病或尿量记录缺失的患者被排除在研究之外，这被认为是评估肾脏恢复的关键数据。此外，在反复住院的情况下，仅考虑初始 ICU 收治的数据。
数据来源
结果分析
1. 基线特征
整个人口的平均年龄为 （63.79 ± 16.03） 岁，SOFA 评分为 （11.67 ± 4.25）。在参与者中，407 名 （37.76%） 为女性，而 768 名 （71.24%） 表现出 KDIGO 3 期。1078 例患者中有 382 例 （35.44%） 成功停止 CRRT。训练队列 （35.62%） 和外部验证队列 （35.00%） 之间停止 CRRT 的成功率没有观察到统计学上的显着差异。随后，根据 CRRT 停药的成功或失败将研究参与者分为两组，即成功组 （n = 382） 和失败组 （n = 696）。
2. 功能选择
使用 R 语言 glmnet 包，我们进行了 LASSO 回归交叉验证分析，其中因变量是接受 CRRT 的 AKI 危重患者停用 CRRT 的成功或失败。此外，我们将研究人群的 68 个特征（包括表 1 和表 2 中的所有变量）视为自变量。根据图 2 中呈现的发现，λ = 0.043 的检查导致确定了七个不同的特征：CRRT 停药前的年龄、阴离子间隙和凝血酶原时间，CRRT 停药前是否存在少尿，CRRT 开始和停药前使用机械通气，以及 CRRT 停药前去甲肾上腺素治疗的给药。
3. 模型构建和验证
然后将这七个过滤后的特征整合到各种模型中，即最小绝对收缩和选择算子逻辑回归 （Lasso-LR）、决策树 （DT）、岭回归 （RR）、K 最近邻 （KNN）、光梯度提升机 （LightGBM）、随机森林 （RF）、极端梯度提升 （XGBoost）、支持向量机 （SVM） 和神经网络 （NN）。使用 5 倍交叉验证进行参数调整，并执行模型训练的多次迭代以确定最佳模型。
4. 校准曲线
所有这些曲线都表明校准效果令人满意。值得注意的是，与其余 8 个模型相比，LightGBM 模型 （Brier 评分：0.178） 的校准效果略好。DCA 的应用表明，除性能较差的 RR 和 NN 模型外，所有 9 个模型均具有临床效用。
5. 模型的应用
此外，为了提高构建模型的便利性和有效性，创建了一个基于 Web 的工具，以方便临床医生使用它并帮助临床决策（可访问：https://perfecticudoctor.shinyapps.io/CRRTDiscontinuation/）。
文章小结
使用 LASSO 回归交叉验证开发的 XGBoost 模型在确定接受 CRRT 的 AKI 危重患者停药成功或失败方面具有重要的预测能力。该模型具有临床实施的潜力，可帮助医疗保健提供者增强对患者预后的理解，并有可能为急性急性结肠炎危重患者提供量身定制的治疗和护理。今天为大家分享的文章纯公共数据挖掘+统计分析，就发到了一区！如果你也想在临床方向发高分文章，不妨试试这个省钱省事又省力的思路吧！
