基于SHAP可解释机器学习模型的终末期肾病患者CRRT期间体外循环凝血风险预测研究

本研究创新性地应用机器学习算法构建终末期肾病（ESKD）患者连续性肾脏替代治疗（CRRT）期间体外循环凝血（ECC）风险预测模型。通过LASSO特征筛选和SMOTE样本平衡技术，比较支持向量机（SVM）、XGBoost等六种算法性能，最终SVM模型展现最优预测能力（AUC=0.864）。结合SHAP可解释性分析，明确低分子肝素（LMWH）初始剂量为最关键风险因素，为临床早期干预提供精准决策支持。

　　

研究背景与方法学框架

慢性肾脏病（CKD）已成为全球公共卫生问题，终末期肾病（ESKD）患者数量逐年攀升。连续性肾脏替代治疗（CRRT）作为ESKD患者的重要治疗手段，其过程中体外循环凝血（ECC）会导致治疗中断、血液损失等严重后果。目前针对急性肾损伤（AKI）患者的ECC预测模型难以适用于ESKD人群，因两者在抗凝策略（ESKD多用低分子肝素LMWH）、治疗时长（ESKD通常6-8小时/次）和血流动力学参数存在显著差异。

本研究回顾性纳入北部战区总医院血液净化科2023年收治的636例ESKD行CRRT患者，其中199例发生ECC（发生率31.3%）。研究采用严谨的数据预处理流程：通过多重插补处理3.03%的缺失数据，应用合成少数类过采样技术（SMOTE）平衡数据集，并利用最小绝对收缩和选择算子（LASSO）算法从53个候选变量中筛选出9个关键特征（性别、超滤量、LMWH初始剂量、白细胞计数、血细胞比容、血小板计数、天冬氨酸氨基转移酶、钙离子、氯离子）。

模型构建与性能比较

研究采用十倍交叉验证构建六种预测模型：支持向量机（SVM）、极限梯度提升（XGBoost）、随机森林（RF）、梯度提升机（GBM）、决策树和逻辑回归（LR）。性能评估显示，SVM模型在曲线下面积（AUC=0.864）、布里尔分数（0.076）、灵敏度（0.780）等指标均显著优于其他模型。决策曲线分析（DCA）进一步证实SVM在大多数风险阈值下具有更高临床净获益。传统LR模型表现最差（AUC=0.717），凸显机器学习算法在复杂临床数据中的优势。

风险因素的SHAP解读

通过沙普利加和解释（SHAP）方法量化特征重要性，发现LMWH初始剂量（SHAP值0.058）为最强预测因子，其通过抗凝血酶激活和血小板抑制发挥核心抗凝作用。血小板计数（0.044）和超滤量（0.041）分列二三位，其中超滤量通过调节血液浓缩状态和血流动力学影响凝血风险。其余重要变量依次为钙离子（参与凝血级联反应）、天冬氨酸氨基转移酶（间接反映肝脏合成凝血因子功能）、血细胞比容（影响血液粘滞度）、白细胞计数（释放促凝物质）、性别（女性血栓风险更高）和氯离子（调节酸碱平衡）。

临床意义与局限性

本研究首次针对ESKD人群构建CRRT凝血风险预测模型，为个体化抗凝策略制定提供量化工具。例如可根据模型预测动态调整LMWH剂量或超滤参数。但研究存在单中心回顾性设计的局限性，未纳入局部枸橼酸抗凝策略患者，且尚未进行前瞻性临床验证。未来需通过多中心合作优化模型，并开发实时预测系统整合动态指标。

结论与展望

机器学习技术特别是SVM模型在ESKD患者CRRT凝血风险预测中展现卓越性能。结合SHAP可解释性分析，不仅提升模型临床可信度，更精准识别关键干预靶点。该研究为肾病领域人工智能辅助决策树立新范式，有望推动CRRT治疗向精准化、个性化方向迈进。