超越传统的二元急性肾损伤（AKI）分类方法：开发并验证一种能够预测ICU患者血清肌酐和尿量变化轨迹的分布式模型

《Critical Care》：Beyond binary AKI classification: development and external validation of a distributional model predicting serum creatinine and urine output trajectories in ICU patients

　　

摘要

背景

急性肾损伤（AKI）是重症监护病房（ICU）中常见且严重的并发症。现有的机器学习模型通常较为僵化，基于分类（即预测AKI的发生为是/否），并且在临床应用中作用有限。本研究提出并外部验证了首个多步骤、多变量分布回归模型，该模型可以直接预测血清肌酐（sCr）和尿量的未来分布，从而改善AKI的风险分层和个性化临床决策支持。

方法

该模型使用了MIMIC-IV数据集中的4,118例成人ICU住院病例作为训练数据，并在四个独立且不同的队列上进行了外部验证：MIMIC-IV（N=3,838）、UZGent（N=4,442）、eICU（N=10,760）和AmsterdamUMC（N=6,129）。该模型利用临床数据每小时生成尿液量和sCr的多变量预测分布（最多预测48小时后的情况）。预测因素包括人口统计学特征、生命体征、实验室结果、用药情况以及近期尿量，同时考虑了过去72小时内的时间变化变量（最近值、斜率、最小值、最大值和变异性）。通过将我们的预测分布与最先进的基于树的分类器进行比较，评估了模型在24小时内预测KDIGO 1-3期AKI和持续性3期AKI的性能。

结果

在所有外部队列中，分布回归模型都表现出较高的区分度（所有阶段的平均AUC-PR为0.774）和出色的校准能力，始终优于基准分类器。通过联合预测sCr和尿量分布，该模型能够灵活地实现各阶段的风险分层，捕捉AKI的发生和持续情况，并允许对分期定义进行调整。

结论

与传统分类方法相比，这种多步骤、多变量分布回归模型是一种可靠、更灵活、更透明且更具临床解释性的AKI预测方法。它是将预测模型应用于ICU中个性化AKI管理的必要步骤。