《Renal Failure》：Prediction of the fall risk at home in maintenance-hemodialysis patients
编辑推荐：
本研究针对维持性血液透析（MHD）患者居家跌倒风险预测难题，基于“人-环境-职业”（PEO）框架构建随机森林（RF）模型。结果显示该模型AUC达0.938，识别出血清钾、透析中低血压（IDH）及浴室防滑缺失等关键风险因素，为MHD患者居家安全干预提供了精准评估工具。
对于依靠每周数次透析维持生命的终末期肾病（ESRD）患者而言，跌倒是一场可能引发骨折、被迫中断治疗甚至死亡的“隐形灾难”。居家环境作为跌倒的高发地，风险因素极其复杂，传统的单一维度评估往往力不从心。发表在《Renal Failure》上的这项研究，创新性地将“人-环境-职业”（Person-Environment-Occupation, PEO）理论框架与机器学习中的随机森林（Random Forest, RF）算法相结合，旨在为维持性血液透析（Maintenance Hemodialysis, MHD）患者构建一个高精度的居家跌倒风险预测模型。
研究背景：为何居家跌倒如此致命？
MHD患者是跌倒的“高危人群”，其跌倒发生率（12%–49%）约为社区普通人群的两倍。这背后是生理机能衰退、治疗副作用（如透析后虚弱、血压波动）与居家环境隐患（如湿滑浴室）的叠加。一次跌倒，尤其是髋部骨折，可能使患者一年内死亡风险增加数倍。然而，既往研究多聚焦于医院内的临床指标，往往忽略了“家”这个充满不确定性的真实场景。PEO框架强调人、环境与日常活动三者间的动态匹配，恰好为破解这一多维难题提供了理想的理论透镜。
关键技术方法
本研究为单中心回顾性队列研究，纳入了某血液透析中心的365例MHD患者。研究团队从电子病历系统与结构化电子问卷（通过微信腾讯问卷收集）两个维度采集了包括人口学、实验室指标、居家环境（如地面障碍、防滑设施）及日常活动能力（ADL评分）在内的多维数据。利用LASSO回归从28个初始变量中筛选出6个关键预测因子，并应用合成少数类过采样技术（SMOTE）处理数据不平衡问题，最终建立了随机森林预测模型。模型性能通过受试者工作特征曲线下面积（AUC）、灵敏度、特异性等指标在独立内部测试集上进行验证，并采用SHapley Additive exPlanations (SHAP) 分析解读模型决策逻辑。
研究结果
基线特征与单因素分析
在最终纳入的365例患者中，居家跌倒发生率为17.8%（65例）。单因素分析显示，跌倒组与非跌倒组在性别、透析龄、BMI等常规指标上无显著差异，但在年龄、透析中低血压（IDH）发生率、浴室防滑设备缺失、使用步行辅助工具、跌倒史及日常生活活动能力（ADL）评分上存在显著差异。这初步印证了仅靠传统医疗指标不足以预测居家跌倒，必须引入环境与行为因素。
模型性能与关键预测因子
经过LASSO筛选与RF建模，最终模型在测试集上表现优异，AUC高达0.938（95% CI: 0.89–0.98），准确率达0.909，显示出极强的区分能力。SHAP分析揭示了对预测贡献最大的六个因子（按重要性降序排列）：
- 1.
跌倒史：既往跌倒者是极高危人群。
- 2.
血清钾水平：电解质紊乱（高钾或低钾）直接影响肌肉神经稳定性。
- 3.
使用步行辅助工具：反映基础运动功能障碍。
- 4.
浴室缺乏防滑设备：最重要的环境风险因素。
- 5.
透析中低血压（IDH）：治疗相关的血流动力学不稳定。
- 6.
糖尿病史：可能通过周围神经病变增加跌倒风险。
值得注意的是，浴室防滑缺失是唯一入选的环境因子，凸显了居家安全改造的迫切性。
结论与意义
这项研究成功地将PEO理论框架转化为可量化的预测工具。其重要意义在于：
- 1.
视角转变：从“只看病人”转向“人-环境-活动”协同评估，弥补了传统临床模型对居家环境忽视的短板。
- 2.
精准预警：随机森林模型的高AUC值（0.938）证明了机器学习在复杂健康结局预测中的优势，为临床医生提供了可靠的筛查工具。
- 3.
可干预靶点：模型不仅识别了难以改变的病史因素（如糖尿病），更指出了浴室防滑改造、血压管理（IDH）等可干预的突破口，为家庭护理干预提供了明确方向。
尽管该模型仍需多中心外部验证，但它无疑为降低MHD患者这一脆弱群体的居家跌倒风险，迈出了从理论到实践的关键一步。
