编辑推荐：
急性胰腺炎（AP）患者的肾脏替代治疗（RRT）时机与方法缺乏统一标准。研究人员基于 MIMIC-IV 数据库，运用多种机器学习算法构建并验证预测模型。结果显示 Lasso-Logistic Regression（Lasso-LR）模型性能优异，能辅助临床决策，对 AP 患者治疗意义重大。
急性胰腺炎（Acute Pancreatitis，AP）是临床上常见的急腹症，就像身体里突然爆发的一场 “战争”，胰腺的消化酶提前 “开火”，开始自我消化，还引发局部和全身的炎症反应。在过去几十年间，其发病率如同坐了 “过山车”，呈现出上升趋势。虽说大部分 AP 患者预后良好，但仍有 20 - 30% 的患者会发展成重症急性胰腺炎（Severe Acute Pancreatitis，SAP），死亡率高达 15 - 30% 。肾脏在 SAP 患者中常常 “受伤”，成为病情恶化和预后不良的 “信号灯”。
肾脏替代治疗（Renal Replacement Therapy，RRT）在 AP 治疗中至关重要，它不再仅仅是肾脏功能的 “替补队员”，还承担着调节内环境、平衡电解质、减少毒素和炎症介质等多项重要任务，对保护器官功能大有益处。然而，目前在 AP 患者中实施 RRT 的最佳时机和方法，国际上并没有统一的指南或共识。医生们只能根据患者的具体情况 “摸着石头过河”，通过评估生命体征、实验室检查结果等做出决策。现有的 AP 预测模型大多聚焦于评估病情严重程度、死亡率和并发症等方面，在针对 AP 患者 RRT 的临床风险预测模型研究上，还存在明显的 “空白地带”。
为了填补这一空白，来自湖州中心医院（Huzhou Central Hospital）等单位的研究人员挺身而出。他们利用麻省理工学院（Massachusetts Institute of Technology，MIT）开发的医疗信息数据库（Medical Information Mart for Intensive Care IV，MIMIC-IV）展开研究。研究人员从数据库中精心筛选出符合条件的 AP 患者数据，将其分为训练集和验证集。随后，运用多种机器学习（Machine Learning，ML）算法构建预测模型，并通过一系列评估指标进行验证。最终，研究发现 Lasso-Logistic Regression（Lasso-LR）模型在预测 AP 患者 RRT 需求方面表现卓越，这一成果为临床医生提供了有力的决策支持，就像给他们在迷雾中指引方向的灯塔，对 AP 患者的治疗和管理意义非凡。该研究成果发表在《European Journal of Medical Research》上。
研究人员在此次研究中主要运用了以下关键技术方法：数据来源于 MIMIC-IV 数据库，利用 PostgreSQL 软件和 Navicat Premium 15 进行数据提取。运用 R 和 Stata 软件进行统计分析，采用 Least Absolute Shrinkage and Selection Operator（LASSO）回归结合交叉验证筛选关键特征，构建了 Lasso-LR、Random Forest（RF）、eXtreme Gradient Boosting（XGBoost）和 Support Vector Machine（SVM）这四种机器学习模型，并通过受试者工作特征曲线（Receiver Operating Characteristic Curve，ROC）、校准曲线和决策曲线分析（Decision Curve Analysis，DCA）等方法对模型进行评估。
患者特征
研究人员共纳入 597 例 AP 患者，平均年龄 59.17 岁，平均急性生理学与慢性健康状况评分系统 II（Acute Physiology and Chronic Health Evaluation II，APACHE II）评分为 17.55 分。急性肾损伤（Acute Kidney Injury，AKI）的发生率为 52.43%，9.05% 的患者需要 RRT。经过对比，训练集和验证集除了谵妄发生率有差异外，其他变量无显著差异。
特征选择
研究人员借助 R 语言中的 glmnet 包，进行 LASSO 回归分析和十折交叉验证，从 41 个特征中筛选出 4 个主要预测因素：序贯器官衰竭评估（Sequential Organ Failure Assessment，SOFA）评分、血清肌酐水平、入院第一天少尿情况以及住院期间是否使用去甲肾上腺素。
模型构建与验证
将上述 4 个特征纳入不同的预测模型，经五折交叉验证优化参数后进行训练。结果显示，所有模型在训练集和验证集上都表现出良好的性能。Lasso-LR 模型在训练集和验证集上的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUROC）分别达到 0.955 和 0.985，校准曲线显示其在两组中的拟合度都很好，DCA 表明该模型在预测 AP 患者 RRT 可能性方面具有显著的临床实用性。
模型解读
通过 SHapley Additive exPlanations（SHAP）方法分析发现，SOFA 评分、血清肌酐水平、去甲肾上腺素使用和入院第一天少尿与需要 RRT 的可能性呈正相关，即这些因素数值越高，患者需要 RRT 的风险越大 。
最优模型评估
将 Lasso-LR 模型转化为列线图后发现，其在训练集和验证集上均展现出强大的判别能力，校准曲线拟合度高，DCA 结果显示在一定阈值概率范围内，使用该模型预测 RRT 风险能带来更大的净收益，具有显著的临床适用性。
在本次研究中，Lasso-LR 模型通过 LASSO 回归交叉验证构建而成，在预测 AP 患者 RRT 需求方面优势显著，为临床医生制定治疗决策提供了重要参考。不过，该研究也存在一些局限性，比如单中心回顾性研究可能影响结果的普适性，数据库的局限性导致部分潜在预测因素未被纳入，且缺乏外部验证。未来还需开展大样本、多中心的前瞻性研究，进一步验证该模型的准确性和适用性，为 AP 患者的精准治疗提供更坚实的保障。
