基于随机森林算法预测心肾联合移植分配及术后不良肾脏结局的临床决策工具开发与验证

《Kidney International Reports》：Predicting Simultaneous Heart Kidney Allocation and Post-Transplant Adverse Kidney Outcomes

本文推荐一项针对终末期心衰合并肾功能不全患者移植决策难题的研究。研究者利用OPTN数据库构建随机森林模型，通过15个关键变量预测SHKT需求及术后不良肾脏结局。验证显示模型特异性达0.941-0.955，c-statistic为0.849-0.899，为临床提供可量化风险评估工具，助力优化稀缺肾脏资源分配。

　　

对于同时面临终末期心力衰竭和终末期肾病（ESKD）或持续性急性肾损伤（AKI）的患者而言，治疗决策往往陷入两难困境。单纯心脏移植（HT）后，受损的肾脏功能可能无法承受移植相关打击，导致需要长期透析甚至死亡；而选择心肾联合移植（SHKT）虽能解决肾脏问题，却又面临肾脏器官严重短缺的伦理挑战。更棘手的是，目前临床缺乏可靠工具来精准预测中度肾功能不全患者在接受心脏移植后肾脏能否恢复，这使得SHKT的决策过程如同走钢丝。

这一难题近年来因政策变化更显紧迫。2018年10月美国实施的新心脏分配政策虽然降低了等待名单死亡率，却导致SHKT数量显著增加，目前已占所有心脏移植的约9%。与此同时，2023年9月OPTN通过的"SHKT医学资格与安全网标准"虽试图规范多器官分配，但仍缺乏前瞻性证据支持。在这种背景下，开发能够辅助临床决策的预测工具变得尤为重要。

发表在《Kidney International Reports》上的这项研究，旨在开发并验证一种机器学习算法，帮助移植团队在患者列入等待名单时，就能预测其是否需要SHKT或术后出现不良肾脏结局的风险。研究团队收集了2018年10月至2020年12月期间美国OPTN数据库中6，579例成人心脏移植受者的数据，并采用随机森林（RF）机器学习算法构建预测模型。

研究人员首先由移植外科医生、心脏病专家和肾脏病专家组成的专家小组从531个可用变量中筛选出44个与SHKT决策相关的关键变量，然后通过计算特征重要性，最终确定了15个预测能力最强的变量纳入最终模型。这些变量包括估算肾小球滤过率（eGFR）（分别在等待名单时和移植前约35-40天测量）、透析状态、eGFR比值（等待名单时eGFR/移植前eGFR）、血尿素氮（BUN）、B型利钠肽（BNP）或N末端B型利钠肽前体（NT pro-BNP）、右心导管检查值（中心静脉压、肺动脉平均压、肺毛细血管楔压、心脏指数）、糖尿病史、新心脏移植分配状态（6级）、既往心脏移植史和心力衰竭诊断类别。

研究采用K-近邻算法（K=50）处理缺失值，并通过五折交叉验证进行内部验证。此外，还使用2021年1-6月（N=1，567）和2023年9月-2024年3月（N=1，853）两个独立队列进行外部验证，确保模型的泛化能力。

研究结果

研究队列分析显示，在6，579例患者中，13.4%（N=880）在心脏移植后一年内接受了SHKT或出现不良肾脏结局。不良结局组患者有更高的糖尿病发生率、心脏再移植率、移植前透析需求、右心压力增高和BNP/NT pro-BNP水平升高，同时eGFR较低。值得注意的是，SHKT和不良肾脏结局组的术后一年生存率（83.3%）显著低于单纯心脏移植且无不良肾脏结局组（92.6%）。

变量重要性分析表明，eGFR（特别是移植前一个多月测量的eGFR）、eGFR比值、BUN水平以及透析状态是预测能力最强的变量。模型在内部验证中表现出高特异性（0.941-0.955）和阴性预测值（0.940-0.955），敏感性（0.605-0.694）和阳性预测值（0.604-0.680）处于中等水平，c-statistic介于0.849-0.899之间，表明模型具有良好的区分能力。

外部验证结果进一步证实了模型的稳健性。在2021年1-6月的验证队列中，模型敏感性提高至0.680，c-statistic达0.899。在2023年9月政策实施后的验证队列中，模型性能保持稳定，敏感性为0.694，c-statistic为0.874，表明模型能够适应新的分配政策环境。

研究结论与意义

该研究开发的随机森林模型为SHKT决策提供了重要的量化工具，特别整合了肾功能动态变化、心力衰竭生物标志物、侵入性血流动力学数据和最新心脏分配分级等多维度信息。模型的高特异性和阴性预测值表明其在排除不需要SHKT的患者方面具有可靠性能，有助于避免不必要的肾脏移植，节约稀缺的肾脏资源。

尽管模型敏感性相对适中，这在一定程度上反映了回顾性数据中未测量变量的影响以及低发生率结局（13%）的内在挑战。研究者强调，该工具旨在补充而非替代临床判断，特别是在模型预测为不良结局时，应结合蛋白尿、肾脏影像学和活检结果等额外临床数据进行综合决策。

研究还揭示了当前SHKT分配体系存在的伦理困境：多器官移植优先于单纯肾脏移植的策略，可能导致本应获得肾脏的患者死亡或从等待名单中移除。该预测工具的应用有望优化分配效率，在保证心衰患者获得适当治疗的同时，减少对单纯肾脏移植候选者的不公平影响。

随着人工智能在移植医学中的应用日益广泛，这项研究为SHKT决策提供了透明、可解释的算法框架。研究者已将该模型部署为网络计算器（https：//shk-calc.web.app），便于临床医生进行患者级别的风险评估。未来，随着更多前瞻性数据的积累和模型优化，这类工具有望成为标准化多器官移植决策流程的重要组成部分，最终实现更公平、高效的器官分配。