用于预测肾移植受者长期心血管结局的机器学习

《JACC: Advances》：Machine Learning for Predicting Long-Term Cardiovascular Outcomes in Kidney Transplant Recipients

心血管疾病是肾移植受者（KTRs）的主要死因和致残原因。本研究通过机器学习模型评估预测KTRs重大心血管事件（MACE）的性能，发现CatBoost模型在AUROC（0.72）和AUPRC（0.36）上优于传统逻辑回归（0.67/0.31）和Soveri评分（0.35），但差异未达统计学意义。关键预测因素包括冠状动脉疾病、左心房应变、透析时长和左心室舒张末期容积指数。研究证实ML模型在KTRs心血管风险预测中具有可行性，但需进一步外部验证。

　　心血管疾病是肾移植受者（KTRs）中导致发病率和死亡率的主要原因。传统的风险评估工具往往在这一人群中表现不佳，因为这些患者所处的心血管环境受到终末期肾病（ESKD）和免疫抑制治疗的特殊影响。为了填补这一风险分层的空白，研究者们开始探索机器学习（ML）在预测KTRs心血管事件中的应用。本研究旨在评估ML模型在预测KTRs长期主要不良心血管事件（MACE）方面的表现，并与传统多变量逻辑回归模型进行比较。

在研究方法方面，研究团队从圣路易斯大学医院收集了2015年至2024年间接受肾移植的成人患者数据，共涉及518例患者。数据集包括1014项变量，涵盖人口学、临床、实验室检查、影像学评估以及血管重建信息。为了确保模型的透明性和标准化，研究团队遵循了TRIPOD-AI（透明报告多变量预测模型的框架）指南，对数据进行清洗和特征工程。通过五折交叉验证和排列特征选择方法，结合领域知识，最终选取了44个特征用于模型训练和验证。此外，SHAP（SHapley Additive exPlanations）方法被用于模型的解释性分析，以帮助理解模型预测的机制。

研究结果显示，在平均随访5.3年期间，有102名患者经历了至少一次MACE。这些事件包括急性冠状动脉综合征、中风、心力衰竭住院、需要血管重建以及持续性室性心律失常。ML模型在预测MACE方面表现优于传统模型，其中CatBoost模型在接收者操作特征曲线下面积（AUROC）和精确率-召回率曲线下面积（AUPRC）上均取得了最佳结果。尽管CatBoost模型的性能优于逻辑回归模型，但两者之间的差异并未达到统计学显著性。相比之下，CatBoost模型在预测性能上显著优于Soveri风险评分模型。研究中发现，冠状动脉疾病、左心房储备应变、透析时间以及左心室舒张末期容积指数是最重要的预测因素。

研究团队还分析了不同模型的性能指标，包括F1分数、召回率和精确率。CatBoost_r128模型在这些指标中表现最佳，尤其是在AUPRC方面，这在数据类别不平衡的情况下尤为重要。通过校准曲线分析，研究团队发现CatBoost模型在预测风险方面最接近实际观察值，表明其预测准确性更高。此外，决策曲线分析进一步显示，CatBoost模型在几乎所有风险阈值下都提供了更大的净收益，这表明其在临床应用中具有较高的实用价值。

尽管ML模型在预测心血管事件方面显示出潜力，但研究也指出了其局限性。首先，研究采用了回顾性设计，这可能影响因果推断并导致记录偏差。其次，数据集中存在大量缺失值，可能影响模型的准确性和可靠性。此外，研究仅限于单一的学术医疗中心，可能限制了其在不同机构和患者群体中的适用性。ML模型的复杂性和非线性关系可能影响其在临床环境中的解释性，特别是在需要向利益相关者解释决策时。因此，未来的研究应致力于外部验证，以提高模型的泛化能力。同时，研究团队建议在未来的模型开发中引入图像数据（如放射组学）以进一步提升预测性能。

综上所述，本研究展示了机器学习在预测肾移植受者心血管事件方面的潜力。尽管当前的模型尚未在所有方面超越传统方法，但其在某些关键指标上的表现已显示出优势。为了实现临床应用，需要进一步优化模型的可解释性，并在更广泛的患者群体中进行外部验证。未来的研究可以探索如何将这些模型整合到肾移植评估流程中，以指导临床决策并实施早期预防策略。此外，利用影像数据和更先进的特征选择方法可能有助于提高模型的准确性和实用性。随着数据科学和医学的不断发展，机器学习有望在心血管风险预测领域发挥更大作用，为KTRs提供更加精准的个体化风险评估工具。