Development and external validation of a prediction model for acute kidney injury after coronary artery bypass grafting
本研究开发并外部验证了一个利用九个预测因子来预测冠状动脉旁路移植术后急性肾损伤的机器学习模型，该模型展示了中度的区分度，但由于相较于传统模型改进有限且存在风险高估的问题，在临床应用前需要进行重新校准。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在进行被称为冠状动脉旁路移植术（即通过绕过阻塞动脉的路径重新引导血流）的大型心脏手术后，肾脏往往会面临突然且危险的挣扎。这种被称为急性肾损伤的状况是常见的并发症，它会延长患者在重症监护室（ICU）的时间，增加死亡风险，并导致长期的肾脏问题。医生面临的挑战在于，肾脏并不总是能立即显示出异常；用于检测损伤的标准血液检测指标——测量一种名为肌酐的废弃物的水平——往往滞后于实际发生的损伤。等到数值上升时，早期干预的窗口期可能已经关闭。虽然医生拥有预测哪些患者可能需要透析的工具，但他们缺乏可靠的方法来识别那些虽然仍需关注、但属于更常见且较轻微的肾脏应激情况。
为了填补这一空白，研究团队着手构建了一种新型的预警系统。他们希望开发一种工具，能够在患者术后进入重症监护室仅六小时后，就能预测其是否会在未来一周内出现肾损伤。其目标不是等待损伤变得显而易见，而是在情况仍处于可控阶段时就将其识别出来。研究人员利用来自数千名过去患者的海量数字记录，来训练计算机如何识别那些在演变成危重情况之前的细微征兆。
该团队使用了来自美国医院的两组大规模医疗数据。第一组来自波士顿的一家医院，包含超过六千名接受过搭桥手术的成年人的记录。第二组来自全国数十家医院，提供了四千多名类似患者的记录。他们专门针对在术后前六小时内尚未出现肾脏问题的成年人进行研究，以确保预测的是新发的损伤而非对旧有损伤的反应。研究人员向计算机输入了二十二种在术后前六小时内常规可获得的各项信息。这些信息包括患者的年龄、血压、氧饱和度、血糖水平，以及反映肾脏和其他器官功能状况的各种血液化学指标。
为了寻找最有用的信号，研究人员使用了一种统计方法，它就像一个筛子，过滤掉噪音，只保留最重要的九个因素。这九个预测因子包括患者的年龄、手术类型、基础肾功能，以及术后恢复前几小时内的血压和氧气水平测量值。随后，他们训练了五个不同的计算机模型，通过学习这九个因素，来测试哪一个模型最能区分出哪些患者会发生肾损伤，哪些不会。最成功的模型是一种被称为 XGBoost 的复杂算法，该算法旨在发现数据中的复杂模式。
当研究人员在第一组患者身上测试该模型时，表现相当出色，能够以约 72% 的准确率对风险进行排序。这意味着，如果随机挑选两名患者（一名会生病，另一名不会），模型通常能分辨出谁是高风险者。然而，任何医疗预测工具的真正考验，在于它是否能在完全不同的群体中同样奏效。当团队将该模型应用于来自其他医院的第二组患者时，性能略有下降，正确排序患者的比例约为 69%。虽然这比随机猜测要好，但并非完美。更重要的是，该模型倾向于过于谨慎，预测的患病人数多于实际发生的病例。在第二组患者中，模型估计约有 34% 的患者会发生肾损伤，但实际比例仅为 25%。
研究人员还观察了哪些因素驱动了这些预测。计算机判定，患者的基础肾功能是单一最重要的线索，紧随其后的是年龄和血液中的血红蛋白水平。较低的肾功能、高龄以及较低的氧气水平都会使预测结果趋向于更高的风险。模型还识别出，接受瓣膜修复合并搭桥手术的患者，其风险高于单纯进行搭桥手术的患者。尽管有了这些洞察，研究人员发现，复杂的计算机模型并未比简单的传统统计方法提供巨大的优势。其准确性的提升非常微小，这表明数据的质量和预测的时机比用于分析数据的数学复杂程度更为重要。
研究结论指出，虽然这种新工具展示了作为标记可能需要密切监测患者的潜力，但它尚未准备好在医院中投入日常使用。由于该模型在面对不同人群时会高估风险，因此它需要经过重新校准（或调整），以适应新医院的具体人群，才能被信任。研究人员强调，在这样的模型能够改变医生治疗患者的方式之前，必须在现实世界的环境中对其进行测试，以证明它确实能改善临床结果。目前，这项工作提供了一个坚实的基础，证明了利用术后六小时内仅有的常规数据来构建预测系统是可行的，即便该系统仍需进一步完善才能达到真正的可靠。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。