编辑推荐：
为预测急诊科（ED）患者对比剂相关急性肾损伤（CA-AKI）风险，研究人员开发机器学习模型，LGB 模型表现最佳。
在医疗领域，急性肾损伤（AKI）是一个影响全球众多患者的重大临床问题，死亡率和发病率都很高。而碘造影剂是导致肾毒性急性肾损伤的重要原因之一。随着 CT 在急诊科（ED）的使用越来越频繁，对比剂增强 CT（CE-CT）后发生对比剂相关急性肾损伤（CA-AKI）的情况也备受关注。但由于 ED 患者周转快、临床决策时间窗口窄，很难在个体层面准确评估 CA-AKI 的发生风险。因此，开发一种能够快速、准确预测 CA-AKI 风险的工具迫在眉睫。
来自韩国三星医疗中心等机构的研究人员开展了相关研究，旨在开发机器学习（ML）模型来预测 ED 患者的 CA-AKI 风险。该研究成果发表在《Scientific Reports》上。
研究人员为开展此项研究，采用了以下关键技术方法：首先，从电子病历（EMR）系统中收集数据，筛选出 2016 年 1 月至 2020 年 12 月在 ED 接受 CE-CT 的成年患者，并排除不符合标准的患者。其次，对收集到的患者特征和临床特征进行数据预处理，包括去除异常值、对分类变量进行独热编码等，并将数据集随机分为开发集和验证集。然后，应用逻辑回归（LR）、随机森林（RF）、极端梯度提升（XGB）、轻梯度提升（LGB）和多层感知器（MLP）这五种机器学习模型进行建模，通过随机搜索和网格搜索结合五折交叉验证优化超参数。最后，使用 Shapley 加性解释（SHAP）和开发 AutoScore 模型对结果进行解释。
研究结果如下：
- 研究对象筛选结果：在 2016 - 2020 年期间，共有 369,469 名患者就诊于 ED，其中 110,845 名患者接受了 CT 扫描。经过一系列排除标准筛选后，最终纳入 22,984 名患者进行分析，其中 1,862 名（8.1%）患者发生了 CA-AKI1。
- 模型构建与比较：选取 42 个特征作为模型输入来预测 CA-AKI 风险。测试了五种机器学习模型，结果显示 LGB 模型在预测 CA-AKI 方面表现最佳，其受试者工作特征曲线下面积（AUROC）为 0.731，而 LR 模型表现最差2。
- 模型解释：通过 SHAP 分析 LGB 模型，发现基线血清肌酐和白蛋白水平是影响模型输出的最关键预测特征，收缩压和蛋白尿也是 CA-AKI 的重要预测因素。此外，构建的 AutoScore 模型进一步分析了 CA-AKI 与主要特征之间的关联，该模型的 AUROC 为 0.715。
研究结论与讨论：研究人员成功开发了基于机器学习的预测模型，可用于预测 ED 患者 CE-CT 后发生 CA-AKI 的风险，其中 LGB 模型性能最优。这一模型有助于临床医生早期识别 AKI 风险，并及时采取肾脏保护措施。然而，该研究也存在一些局限性，如单中心研究限制了结果的普遍性，模型未考虑对比剂使用量以及静脉补液的影响等。尽管如此，该研究仍具有重要意义，为未来进一步研究和临床实践提供了方向，有望改善 ED 患者的治疗效果，减少 CA-AKI 带来的不良影响。
