癌症患者衍生的急性肾损伤机器学习算法在重症监护场景中的验证：开拓临床应用新视野

《Clinical and Translational Oncology》：Validation of a cancer population derived AKI machine learning algorithm in a general critical care scenario

急性肾损伤（AKI）严重影响患者健康和医疗成本，尤其对癌症患者威胁更大。研究人员用重症监护医学信息库（MIMIC）数据，验证基于癌症患者数据开发的 AKI 机器学习预测算法。结果显示该算法性能良好，为临床应用提供了依据。

　　急性肾损伤（Acute Kidney Injury，AKI）就像隐藏在人体健康防线中的 “暗箭”，悄无声息地威胁着人们的生命健康。它是肾脏功能突然受损的病症，常常毫无预警地出现。一旦发生，不仅会引发一系列严重并发症，导致患者死亡率大幅上升，还会让住院费用急剧增加。对于癌症患者而言，AKI 更是雪上加霜。他们本就因癌症身体虚弱，AKI 不仅会干扰癌症治疗进程，还可能进一步损害其他器官，让患者的生命面临更大的危机。

传统检测 AKI 的方法，比如英国国家医疗服务体系（NHS）的检测算法，虽然是目前较为准确的手段，但它只能在肌酐水平升高、器官已经受损后才能发现 AKI，就像是 “马后炮”，无法提前预警，难以在损伤发生前采取有效措施。为了改变这一现状，来自英国曼彻斯特 The Christie NHS Foundation Trust 和曼彻斯特大学的研究人员展开了深入研究。他们希望找到一种能够提前预测 AKI 的方法，给临床治疗争取更多时间，降低患者的健康风险和医疗成本。

研究人员此前基于癌症患者数据开发了一种机器学习算法，能够提前 30 天预测 AKI。为了验证这个算法在不同患者群体中的有效性和适用性，他们选择了 MIMIC-IV 数据库中的数据进行研究。MIMIC-IV 数据库包含了贝斯以色列女执事医疗中心重症监护病房患者的大量去标识化数据，这些数据来源广泛、信息丰富，为研究提供了理想的样本。

在研究过程中，研究人员运用了多种技术方法。首先，他们使用的 AKI 风险预测模型是基于 Python 的 scikit-learn 库实现的随机森林模型，该模型是利用 The Christie NHS Foundation Trust 在 2017 年 1 月至 2020 年 5 月期间 48,865 名癌症患者的常规血液检测结果开发而来。其次，数据来源为 MIMIC-IV 数据库，研究人员从其中的 “labevents” 表获取血液检测结果数据，并进行单位转换和相关计算；利用 “mimic_core” 表中的 “patients” 数据计算患者年龄；通过 “kdigo_stages” 表获取 KDIGO 分期数据，还用 “diagnoses_icd” 表中的 ICD9 和 ICD10 代码确定患者的癌症诊断情况。

研究结果令人振奋：

1. 模型性能良好：将算法应用于 MIMIC 数据时，每次血液检测的受试者工作特征曲线下面积（AUROC）达到了 0.821（95% 置信区间 0.820 - 0.821）。尽管这一数值略低于在 The Christie 测试集上的 0.881（95% 置信区间 0.878 - 0.883），但依然表明该模型在外部测试队列中表现出色。按照相同的风险等级分类，67.3% 的 AKI 事件在发生前 30 天内至少有一次被评为 “中等” 或更高风险等级，86.6% 的患者在至少一次 AKI 发生前也至少有一次收到 “中等” 或更高风险等级的预警。每次血液检测中，“中等” 或更高风险等级对预测患者在 30 天内发生 AKI 的敏感性为 0.431，特异性为 0.935。
2. 与其他模型对比优势明显：与其他在 MIMIC 上开发和测试的 AKI 模型相比，该模型的预测窗口最长，可达 30 天，且性能与其他模型相当。
3. 癌症诊断对模型影响较小：研究人员对 28,498 名患者的癌症诊断情况进行分析，发现将这些患者分为癌症诊断后血液检测和无癌症诊断两组，其 AUROC 分别为 0.801（95% 置信区间 0.800 - 0.802）和 0.836（95% 置信区间 0.835 - 0.837），差异较小，进一步证明了模型的稳健性。
4. 模型在不同 AKI 检测标准下表现不同：当根据 KDIGO 分期评估模型时，AUROC 为 0.752，低于根据 NHS 检测算法检测 AKI 时的 AUROC。这是因为 NHS 算法比 KDIGO 指南能更早检测到 AKI，而模型在预测 KDIGO 定义的 AKI 时存在过度预测的情况。

研究结论和讨论部分指出，这项研究成功地对在癌症患者群体中开发的 AKI 预测模型进行了 “压力测试”，将其应用于重症监护病房的患者队列，结果显示该模型性能良好，与仅在 MIMIC 数据源上开发和测试的模型相当。这表明该模型具有较强的稳健性和可转移性，为其在临床实践中的广泛应用奠定了基础。尽管研究中发现 “总蛋白” 测量数据的缺失是限制模型更广泛应用的因素，但在相对较大的样本量下，模型依然保持了良好的性能，这也增强了研究人员对模型的信心。未来，研究人员计划进一步拓展模型的测试范围，并探索在预测到 AKI 后实施干预策略的可行性，这有望为临床治疗带来新的突破，更好地保障患者的健康。该研究成果发表在《Clinical and Translational Oncology》杂志上，为相关领域的研究提供了重要参考，推动了 AKI 预测和临床决策的发展。