机器学习模型与临床判断在危重患者肾脏替代治疗需求预测中的较量

《Renal Replacement Therapy》：Predicting kidney replacement therapy in critically ill patients: machine learning models versus clinician judgment

本研究针对ICU中急性肾损伤(AKI)患者肾脏替代治疗(KRT)需求预测难题，开发了随机森林(RF)、XGBoost等五种机器学习模型。结果显示RF模型表现最佳(AUROC=0.931)，略优于临床医生共识(AUROC=0.898)。该研究为资源有限ICU的精准医疗提供了新思路，有望通过人机协同优化KRT决策时机。

　　

在重症监护室的紧张氛围中，急性肾损伤(AKI)如同一个沉默的杀手，影响着30-60%的危重患者，并显著增加死亡风险。尤其令人担忧的是，在医疗资源有限的地区，仅有不到三分之二符合肾脏替代治疗(KRT)指征的患者能够获得及时透析。当前AKI诊疗面临的核心挑战在于其高度异质性——不同病因、不同临床表现的AKI患者其预后和KRT需求存在显著差异。虽然KDIGO分期系统提供了基本框架，但在精准预测个体患者KRT需求方面仍显不足。

面对这一临床难题，Ounci Es-Saad及其团队开展了一项创新研究，旨在探索机器学习(ML)能否为这一困境提供解决方案。他们比较了五种ML模型与经验丰富的重症医师在预测AKI患者KRT需求方面的表现，研究成果发表于《Renal Replacement Therapy》期刊。

研究团队采用回顾性单中心设计，分析了2023年4月至2024年12月期间Mohammed VI大学医院ICU收治的425例AKI患者数据。这些患者根据KDIGO标准确诊，且排除了终末期肾病和入院24小时内即需KRT的病例。研究通过严格的数据预处理，从131个初始变量中筛选出47个预测因子，涵盖 demographics、comorbidities、clinical features、laboratory findings、severity scores和interventions六大类别。

技术方法上，研究运用了五种机器学习分类器（随机森林RF、逻辑回归LR、极端梯度提升XGBoost、K近邻KNN和人工神经网络ANN），采用80/20数据集划分和五折交叉验证进行模型训练与优化。通过SMOTE与Tomek Links处理类别不平衡问题，使用SHAP分析进行特征重要性解释，并与五位资深重症医师的盲法预测进行对比评估。

研究结果

研究人群和基线特征

在2148例筛查患者中，最终纳入425例AKI患者，其中94例(22.12%)需要KRT。KRT(+)患者表现出更严重的临床特征：高血压(31.91% vs 21.45%)、慢性肾病(17.02% vs 6.34%)和AKI病史(22.34% vs 10.88%)发生率更高。实验室指标方面，KRT(+)组血清肌酐(5.03 vs 2.16 mg/dL)、血尿素氮(30.7 vs 18.3 mmol/L)和血钾(4.86 vs 4.18 mmol/L)水平显著升高，且更常需要机械通气(74.47% vs 62.54%)和血管活性药物(74.47% vs 61.93%)。

模型训练和超参数调优

交叉验证显示，RF模型在准确率(0.841)、精确度(0.624)和F1分数(0.671)方面表现最佳，而ANN获得最高AUROC(0.872)。LR和KNN虽然召回率最高(0.880)，但精确度较低(<0.500)，表明假阳性较多。

测试集机器学习模型性能

在85例测试集上，RF模型表现最为均衡：准确率0.882，AUROC 0.931，精确度0.680，召回率0.895。XGBoost与之性能接近(AUROC=0.931)，而投票集成模型也展现出竞争力(AUROC=0.928)。

临床医生评估和一致性

五位重症医师的预测呈现中等一致性(Fleiss' kappa=0.546)。共识决策的AUROC为0.898，召回率0.947，但精确度仅0.562，意味着比最佳ML模型多产生18%的假阳性警报。个体医师表现差异明显，其中一位医师召回率达1.0但精确度仅0.339，凸显临床判断的主观差异性。

特征重要性和可解释性

SHAP分析揭示，实验室指标(36.66%)和临床变量(33.65%)对预测贡献最大。血清肌酐、血钾、血尿素氮等传统肾功能指标仍是最强预测因子，尿量参数也具重要价值。

亚组公平性分析

按年龄(<65岁与≥65岁)和性别分层分析显示，RF模型和投票集成在所有亚组中均保持稳定性能，未发现明显的年龄或性别偏见。

研究结论与意义

该研究证实机器学习模型（特别是随机森林）能够可靠预测危重AKI患者的KRT需求，其性能略优于经验丰富的临床医生。这种技术优势在资源有限的ICU环境中尤为重要，可帮助优化透析设备和人力的分配，实现更精准的医疗资源调配。

研究的创新之处在于首次直接对比ML模型与临床医生在KRT预测方面的表现，为"人机协同"决策模式提供了实证依据。理想的应用场景是将ML模型嵌入电子病历系统，自动生成风险评分，辅助而非替代临床判断。

然而，该研究的单中心回顾性设计限制了结果的普适性，样本量相对较小可能影响模型稳定性，且未纳入新型肾脏生物标志物。未来需要多中心前瞻性研究验证这些发现，并探索ML预测对患者长期结局（如慢性肾病进展）的影响。

这项研究为重症肾脏病领域带来了重要启示：在人工智能时代，数据驱动的方法与临床专业知识的结合，可能为AKI这一传统难题提供新的解决方案。随着技术的不断成熟和验证，机器学习辅助决策有望成为ICU标准实践的一部分，最终改善危重患者的肾脏结局和生存率。