基于机器学习的万古霉素和替考拉宁相关急性肾损伤预测模型开发与验证：一项回顾性多中心研究

《International Journal of Antimicrobial Agents》：Development and validation of machine learning models to predict vancomycin- and teicoplanin-associated acute kidney injury: a retrospective, multicenter study

本研究通过机器学习（ML）算法开发并验证了万古霉素相关急性肾损伤（VA-AKI）和替考拉宁相关AKI（TA-AKI）的预测模型。利用XGBoost和LightGBM构建的模型在内部验证（AUROC 0.798）和外部验证（AUROC 0.779）中均表现出优异性能，SHAP分析揭示了关键风险因素（如BUN、TBIL、累积剂量），为临床早期干预和个性化用药提供了可靠工具。

　　

Highlight

万古霉素和替考拉宁相关急性肾损伤（VA-AKI和TA-AKI）是临床中严重的药物不良反应，可能导致住院时间延长、发病率、死亡率和医疗费用增加。万古霉素和替考拉宁是治疗革兰阳性菌感染（特别是耐甲氧西林金黄色葡萄球菌MRSA）的关键抗生素，但其肾毒性风险不容忽视。VA-AKI和TA-AKI的发病机制涉及氧化应激、过敏反应、肾小管管理形成（VA-AKI）以及肾小管细胞排泄障碍（TA-AKI）。识别高危患者对优化治疗方案和减轻潜在危害至关重要。

引言

VA-AKI和TA-AKI的发病率在不同人群中差异显著，台湾地区为11.4%–12.3%，全球最高可达43%。已知风险因素包括高龄、女性、急性疾病（如脓毒症、低血压、电解质紊乱）以及基础疾病（如慢性肾病、梗阻性黄疸）。此外，高药物暴露、长疗程和联用肾毒性药物会进一步增加AKI风险。然而，真实临床环境中多药-疾病和多药-药物相互作用的复杂性使得风险估算困难。机器学习（ML）技术能够处理高维数据并挖掘隐藏模式，为应对这一挑战提供了新途径。既往研究已尝试使用决策树、线性核支持向量机和XGBoost等算法预测VA-AKI，最高AUROC达0.879。可解释人工智能（AI）技术如SHAP（SHapley Additive exPlanation）可通过归因分析揭示特征对模型预测的贡献，增强模型的临床适用性和可解释性，助力医护人员调整可干预风险因素。

结论

本研究开发的XGBoost模型利用时间序列数据，能够准确预测万古霉素和替考拉宁使用者的AKI风险，支持早期风险评估和个性化患者管理。未来需开展多中心前瞻性外部验证以进一步加强其真实世界适用性和泛化能力。