机器学习助力预测糖尿病合并心力衰竭患者住院期间急性肾损伤风险：开启精准医疗新征程

《Scientific Reports》：Machine learning for risk prediction of acute kidney injury in patients with diabetes mellitus combined with heart failure during hospitalization

为解决糖尿病合并心力衰竭（DM 合并 HF）患者急性肾损伤（AKI）风险预测难题，研究人员开展相关机器学习（ML）模型构建研究。利用 MIMIC-IV 数据库数据，经多算法评估，发现 LightGBM 模型预测性能最佳，有助于早期识别高风险患者，改善预后。

　　在医疗领域，糖尿病（DM）、心力衰竭（HF）与急性肾损伤（AKI）犹如三座 “大山”，给患者健康带来巨大挑战。随着人口老龄化加剧，HF 发病率持续攀升，而 DM 患者发生 AKI 的风险也显著增加。当 DM 与 HF 同时出现时，患者发生 AKI 的几率更是大幅上升。传统的 AKI 风险评估方法，如临床评分系统和传统预测模型，在预测 DM 合并 HF 患者 AKI 风险方面存在明显不足，难以满足临床需求。因此，开发更精准的预测模型迫在眉睫。

江苏大学附属昆山医院（昆山市第一人民医院）的研究人员为解决这一问题，开展了构建机器学习（ML）模型预测 DM 合并 HF 患者住院期间 AKI 风险的研究。研究成果发表在《Scientific Reports》上，为临床医生早期识别高风险患者、采取及时有效的干预措施提供了有力支持，有望改善患者的预后情况。

在研究方法上，研究人员主要运用了以下关键技术：数据来源于贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）的 MIMIC-IV 2.2 数据库，该数据库包含 2008 - 2019 年入住 ICU 患者的详细临床数据；通过 LASSO 回归和逻辑回归（LR）筛选关键风险因素；运用六种 ML 算法（LightGBM、随机森林（RF）、神经网络（NN）等）构建预测模型，并采用 5 折交叉验证和 100 次自助重采样优化模型参数；利用受试者工作特征曲线（ROC）、校准曲线、决策曲线分析（DCA）等评估模型性能 。

研究结果如下：

• 基线特征：研究共纳入 1457 例 DM 合并 HF 患者，根据 KDIGO 标准分为 AKI 组（n = 1212）和非 AKI 组（n = 245）。两组在种族分布、医院死亡率、合并症、尿量及疾病严重程度评分等方面存在显著差异。为构建和验证模型，将患者随机分为训练集（n = 1020）和验证集（n = 437），两组患者各特征无显著差异，具有可比性。
• 特征选择：通过 LASSO 回归确定 40 个与 AKI 相关的风险因素，再经逐步 LR 分析，最终筛选出 20 个独立预测因素，包括入院类型、贫血、房颤等。这些因素通过影响肾灌注、诱导炎症反应或直接损伤肾脏等机制影响 AKI 的发生。
• 构建 AKI 预测风险列线图和模型：基于 20 个独立预测因素构建列线图，将多个预测因素整合为单一风险评分，便于临床应用。同时构建六种 ML 模型，经参数优化后，LightGBM 模型在训练集和验证集中表现最佳。
• AKI 风险预测模型的性能评估和验证：以 AUC 评估模型区分度，校准曲线评估校准度，DCA 评估临床性能。结果显示，LightGBM 模型在训练集和验证集中 AUC 值分别为 0.973 和 0.804，校准曲线良好，临床净效益最高。通过 SHAP 值分析发现，ACEI/ARB 药物使用、心血管手术等因素对 AKI 风险预测影响显著。临床影响曲线（CIC）表明，LightGBM 模型泛化能力良好，在阈值为 0.7 时，可有效减少假阳性，平衡医疗干预。

研究结论和讨论部分指出，LightGBM 模型在预测 DM 合并 HF 患者住院期间 AKI 风险方面表现卓越，具有较高的准确性、良好的校准度和临床实用性。该研究首次针对这一特定人群构建预测模型，揭示了多个独立风险因素，为深入理解 AKI 发病机制和制定新的防治策略提供了依据。然而，研究也存在一定局限性，如回顾性研究设计可能存在选择偏倚和信息偏倚，数据为单中心数据，模型未进行外部验证，部分变量缺失值较高等。未来需要更大样本量和多中心前瞻性研究进一步验证和优化模型，以开发更精准、可靠、实用的 AKI 风险预测工具，为临床决策提供更强有力的支持。