机器学习助力动静脉瘘狭窄风险预测：开启精准医疗新篇章

《European Journal of Medical Research》：Machine learning-based risk prediction model for arteriovenous fistula stenosis

为解决动静脉瘘（AVF）狭窄缺乏有效预测工具的问题，研究人员开展基于机器学习的 AVF 狭窄风险预测模型研究。结果显示 XGBoost 模型表现最佳，SHAP 分析确定 7 个关键预测因素。该研究为临床决策提供新工具，有助于改善患者预后。

　　在慢性肾脏病（CKD）发病率逐年攀升的当下，血液透析成为终末期肾病（ESRD）患者的重要治疗手段。而动静脉瘘（AVF）作为血液透析首选的血管通路，其狭窄问题却成为影响透析效果和患者预后的 “拦路虎”。目前，现有的评估 AVF 狭窄风险的临床技术，如超声依赖操作人员技术且对轻微狭窄检测灵敏度低，数字减影血管造影虽为 “金标准”，却有创、昂贵且存在并发症风险 。因此，开发高效、准确且无创的 AVF 狭窄风险预测工具迫在眉睫。

在此背景下，华中科技大学同济医学院附属武汉中心医院的研究人员开展了一项极具意义的研究。他们旨在构建可解释的机器学习模型，以实现对 AVF 狭窄风险的精准预测。该研究成果发表在《European Journal of Medical Research》上，为临床治疗带来了新的曙光。

研究人员采用了一系列关键技术方法。首先，进行回顾性队列研究，收集 2017 年 1 月 1 日至 2024 年 10 月在武汉中心医院接受透析的 1168 例患者的人口统计学和实验室数据，最终纳入 974 例符合标准的患者。接着，对数据进行清洗、缺失值处理（针对分类变量用众数、连续变量用均值填补，还使用多重填补法 MICE ）和标准化。之后，利用递归特征消除法（RFE）筛选特征，将数据集按 7:3 划分为训练集和测试集，构建并训练 7 种机器学习模型，包括逻辑回归（LR）、随机森林（RF）、k 近邻算法（KNN）、支持向量机（SVM）、极端梯度提升（XGBoost）、人工神经网络（ANN）和决策树（DT）。最后，用 SHAP（Shapley Additive explanations）方法解释模型，分析各特征对模型预测的贡献。

研究结果如下：

• 患者特征对比分析：共纳入 974 例患者，其中 368 例诊断为 AVF 狭窄，606 例未狭窄。两组在性别、吸烟状态、饮酒、血栓存在、基础疾病、年龄、血细胞计数、凝血指标、肾功能指标等多个变量上存在显著差异 。
• 模型性能比较：通过对 7 种机器学习模型的比较，XGBoost 模型表现最为优异，其受试者工作特征曲线下面积（AUC）达到 0.829（95% 置信区间为 0.785 - 0.880），在多个评估指标上优于其他模型，因此被选定进行进一步研究。
• 特征重要性分析：利用 XGBoost 模型评估影响 AVF 狭窄的因素，确定了 7 个关键决定因素，分别是手术次数、凝血酶原时间活动度、淋巴细胞计数、AVF 使用时长、甘油三酯水平、维生素 B₁₂水平和 C 反应蛋白水平 。

研究结论和讨论部分指出，本研究构建的 XGBoost 模型能有效利用临床数据预测 AVF 狭窄风险，SHAP 分析增强了模型的临床可解释性，为个性化医疗策略提供了有力支持。手术次数是影响模型的关键因素，多次手术会损伤血管内皮，引发炎症和纤维化，增加狭窄风险。淋巴细胞计数、C 反应蛋白等炎症指标与 AVF 狭窄密切相关，反映出炎症在狭窄发生发展中的重要作用。此外，甘油三酯、维生素 B₁₂等指标也在模型中具有重要意义。然而，该研究存在一定局限性，如单中心回顾性设计限制了研究结果的普遍性，可能存在未测量的混杂因素，数据收集的回顾性可能导致信息缺失和选择偏倚等。未来研究应开展多中心、大样本、前瞻性队列研究，以提高预测模型的准确性和普遍性。

总的来说，这项研究为临床医生提供了新的决策工具，有助于早期识别 AVF 狭窄高风险患者，及时采取干预措施，延长 AVF 使用寿命，改善血液透析患者的预后，在临床实践和研究中具有重要的指导意义，为动静脉瘘狭窄的防治开辟了新的道路。