基于SHAP可解释性XGBoost模型的无创早期糖尿病肾病检测：估测心输出量的潜在指示价值

本研究提出一种基于XGBoost机器学习模型的无创性糖尿病肾病（DKD）早期检测方法，通过SHAP（SHapley Additive exPlanations）可解释性分析验证估测心输出量（eCO）等四项临床指标（BMI、腰围、糖尿病病程）的预测价值。该模型在跨种族验证中AUC达0.75，为资源有限地区提供无需实验室检查的筛查工具，尤其揭示心-肾-代谢相互作用在DKD风险评估中的新机制。

　　

亮点

概念与定义

为确保表述精确，本文涉及的核心概念定义如下：

• •
  慢性肾脏病（CKD）定义为基于以下标准的持续性肾脏结构或功能异常：估算肾小球滤过率（eGFR）<60 mL/min/1.73 m²和/或尿白蛋白/肌酐比值（UACR）≥30 mg/24 h或30 mg/g持续3个月以上。
• •
  糖尿病肾病（DKD）诊断标准与CKD相似，但特指糖尿病背景下且排除其他CKD病因的肾脏病变。DKD术语强调糖尿病是肾脏损伤的主要驱动因素。

研究人群特征

表1展示了974名参与者的基线数据：651人呈正常白蛋白尿，247人为微量白蛋白尿，76人为大量白蛋白尿。糖尿病病程平均值分别为12.55年（正常组）、14.20年（微量组）和17.01年（大量组）。总体平均年龄约61岁，女性占比45%。估测心输出量（eCO）在正常、微量和大量白蛋白尿组中分别为7.7、8.6和10.1 L/min，呈现逐级升高趋势。

讨论

本研究开发的无创机器学习模型为糖尿病肾病早期识别开辟了新路径。通过聚焦 albuminuria 风险预估，该模型有助于在糖尿病病程早期启动保护性干预，延缓终末期肾病（ESRD）进展。值得注意的是，eCO作为独立预测因子展现出显著贡献，提示心脏功能与肾脏损伤存在生理学关联。模型仅依赖血压、心率等易获取参数，使其特别适合基层医疗场景。SHAP解释框架进一步增强了临床可信度，为医生提供透明化的决策依据。

结论

本研究构建的可解释无创模型，仅需血压、心率等简易指标即可实现糖尿病肾病早期筛查（AUC=0.75）。其价值体现在三方面：为资源匮乏地区提供普惠筛查方案；通过SHAP可解释性建立临床信任；揭示eCO等心肾交互指标的应用潜力，为疾病机制研究提供新视角。