基于CoxBoost机器学习模型预测ICU社区获得性肺炎合并急性肾损伤患者28天死亡率的研究

《Scientific Reports》：A machine learning model for predicting 28-day mortality in ICU patients with community-acquired pneumonia and acute kidney injury

本研究针对ICU中社区获得性肺炎(CAP)合并急性肾损伤(AKI)患者死亡率预测难题，开发了基于CoxBoost算法的机器学习模型。该模型通过分析MIMIC-IV数据库中1795例患者数据，在内部验证中AUC达0.737，外部验证AUC为0.671，显著优于传统评分系统。研究还开发了可实时预测的网页工具，为临床早期识别高危患者提供了新策略。

　　

在重症监护病房(ICU)中，社区获得性肺炎(Community-Acquired Pneumonia, CAP)患者一旦并发急性肾损伤(Acute Kidney Injury, AKI)，其临床管理难度便会显著增加。研究表明，CAP患者中AKI的发生率高达22.5%-46%，而一旦两者并存，患者的死亡风险便会急剧上升。例如，合并AKI的CAP患者住院死亡率可达23.5%，远高于未合并AKI者的4.9%。这种风险的增加不仅体现在住院期间，在出院后90天及1年的随访中，死亡风险依然持续存在。更令人担忧的是，目前临床上缺乏专门针对这一特定人群的短期死亡率预测工具。传统的ICU评分系统，如序贯器官衰竭评估(Sequential Organ Failure Assessment, SOFA)和牛津急性疾病严重程度评分(Oxford Acute Severity of Illness Score, OASIS)，并非为CAP合并AKI的患者量身定制，其预测准确性往往不尽如人意。这一空白使得临床医生难以在早期准确识别出高危患者，从而可能错失干预的最佳时机。

为了破解这一临床难题，来自西安交通大学第一附属医院呼吸与危重症医学科的研究团队开展了一项创新性研究。他们利用大型公共重症数据库MIMIC-IV，开发并验证了多种机器学习模型，旨在精准预测ICU内CAP合并AKI患者的28天全因死亡率。这项研究发表于《Scientific Reports》，为危重症患者的精细化管理和早期干预提供了新的思路和方法。

研究人员主要采用了回顾性队列研究设计，数据来源于MIMIC-IV和MIMIC-III两个大型重症数据库。研究纳入了1795例符合标准的ICU成人患者，所有患者均确诊为CAP并在入住ICU后24小时内发生AKI（根据KDIGO标准定义）。通过系统的数据预处理和特征选择，最终确定了与28天死亡率显著相关的临床变量。研究团队构建并比较了五种机器学习生存模型，包括随机生存森林(Random Survival Forests, RSF)、梯度提升机(Gradient Boosting Machine, GBM)、Lasso-Cox回归、CoxBoost回归和生存支持向量机(Survival-SVM)。模型性能通过受试者工作特征曲线下面积(Area Under the Curve, AUC)、一致性指数(Concordance Index, C-index)、校准曲线和决策曲线分析(Decision Curve Analysis, DCA)等多维度指标进行评估。

患者基线特征

研究共纳入1795例ICU住院的CAP合并AKI患者，其中453例(25.2%)在28天内死亡。与非幸存者相比，死亡患者年龄更大，合并症负担更重，包括心肌梗死、充血性心力衰竭、慢性肝病、肾脏疾病、恶性肿瘤、高血压和脓毒症的患病率更高。在生理指标方面，死亡患者的呼吸频率和心率更高，体重更低。实验室检查显示，死亡患者的血细胞比容、血红蛋白和血小板水平较低，而白细胞计数、碱性磷酸酶(Alkaline Phosphatase, ALP)、阴离子间隙、血尿素氮(Blood Urea Nitrogen, BUN)、肌酐、国际标准化比率(International Normalized Ratio, INR)、凝血酶原时间(Prothrombin Time, PT)和部分凝血活酶时间(Partial Thromboplastin Time, PTT)均显著升高。所有传统的疾病严重程度评分在死亡组中均显著更高。在治疗方面，死亡组更常接受连续性肾脏替代治疗(Continuous Renal Replacement Therapy, CRRT)和血管活性药物支持，而非甾体抗炎药(Non-Steroidal Anti-Inflammatory Drugs, NSAIDs)的使用率较低。

单因素和多因素Cox回归分析

通过单因素Cox回归分析，研究人员发现心肌梗死、充血性心力衰竭、肝病、肾脏疾病、恶性肿瘤、高血压、高龄、心率增快、白细胞计数升高、BUN升高、阴离子间隙增宽、PT延长、PTT延长以及血管活性药物使用是28天死亡的危险因素。而NSAIDs使用、较高的血红蛋白和体重则是保护因素。

多因素Cox回归分析进一步筛选出独立的危险因素，包括：年龄增加（风险比[Hazard Ratio, HR]=1.02）、心率增快（HR=1.01）、心肌梗死病史（HR=1.33）、肝病（HR=1.51）、恶性肿瘤（HR=1.44）、高血压（HR=1.27）、BUN水平升高（HR=1.01）、ALP升高（HR=1.00）、PTT延长（HR=1.00）、尿量减少（HR=1.00）、血小板计数异常（HR=1.00）以及血管活性药物使用（HR=1.66）。保护因素则包括NSAIDs使用（HR=0.68）、较高体重（HR=0.99）和较高血红蛋白水平（HR=0.92）。

模型开发、评估与临床应用

在五种机器学习模型中，CoxBoost模型表现出最优异的预测性能。

其ROC曲线下面积(AUC)在内部验证中达到0.737，优于其他模型（Lasso-Cox为0.736，RSF为0.723，GBM为0.718，Survival-SVM为0.593）。时间依赖性C-index分析显示，CoxBoost、Lasso-Cox、GBM和RSF具有相似的轨迹，而Survival-SVM的预测性能随时间推移显著下降。

校准曲线显示，CoxBoost和Lasso-Cox模型在所有风险水平上均表现出良好的校准性能，预测生存概率与观察结果高度一致。

决策曲线分析表明，CoxBoost模型在5%-65%的阈值概率范围内提供了最高的临床净获益，显著优于其他模型。

基于其卓越的综合性能，研究团队选择CoxBoost作为最终模型。Kaplan-Meier生存分析进一步证实了该模型的风险分层能力，能够清晰区分高风险和低风险患者组（p<0.0001）。

与传统的ICU预后评分系统相比，CoxBoost模型的预测性能显著更优。其在内部验证中的AUC值高于SAPS II（0.697）、APACHE II（0.684）、Charlson合并症指数（0.678）、LODS（0.675）、APS III（0.670）、SOFA（0.646）、OASIS（0.644）和CURB-65（0.644）。

在包含998例患者的MIMIC-III外部验证队列中，CoxBoost模型依然保持了稳健的预测能力，AUC达到0.671，继续优于所有传统评分系统。

模型解释与网络应用部署

为了增强模型的可解释性，研究人员进行了SHAP分析，以评估各个特征对模型预测的贡献度。

特征重要性排名显示，年龄、血管活性药物使用、NSAIDs使用、血红蛋白、高血压和BUN是影响28天死亡率的最重要预测因素。SHAP蜂群图进一步展示了这些特征在整个患者队列中的影响方向：年龄、血管活性药物使用、高血压和较高的BUN水平会增加死亡风险，而NSAIDs使用和较高的血红蛋白水平则与风险降低相关。SHAP依赖图揭示了模型学习到的关键连续变量的强近线性关系：死亡风险随年龄和BUN水平的升高而线性增加，随血红蛋白的升高而线性降低。

为实现临床转化，研究团队开发了一个基于Shiny的网页应用程序，用于CoxBoost模型的实时28天死亡率预测。

该应用允许临床医生输入患者特征，获得个性化的28天死亡率预测、生存曲线和个体化瀑布图，有助于早期个性化干预策略的制定。

本研究成功开发并验证了首个专门用于预测ICU内CAP合并AKI患者28天死亡率的机器学习模型。CoxBoost模型展现出了优于传统ICU评分系统的预测性能，并通过SHAP分析提供了可解释的预测依据。该研究不仅填补了该特定人群预后评估工具的空白，还通过开发实用的网页工具，将先进的预测模型与临床决策支持相结合。研究所识别出的关键预测因子，如年龄、血管活性药物使用、NSAIDs使用、血红蛋白、高血压和BUN，为理解CAP合并AKI患者的死亡风险机制提供了重要线索。特别是NSAIDs可能存在的保护作用，以及血红蛋白水平与预后的线性关系，为后续的机制研究和临床干预靶点探索指明了方向。尽管模型在外部验证中的性能有所下降，提示仍需进一步的多中心验证和优化，但本研究无疑为危重症患者的精准医疗和早期风险分层迈出了重要一步。通过将机器学习技术与临床实践需求相结合，这项研究为改善CAP合并AKI这一高危人群的预后提供了有力的工具和新的思路。