针对接受维持性血液透析患者的透析间期高钾血症的风险预测模型的开发与验证

《Risk Management and Healthcare Policy》：Development and Validation of a Risk Prediction Model for Interdialytic Hyperkalemia in Patients Undergoing Maintenance Hemodialysis

本研究通过回顾性分析312例维持性血液透析患者数据，利用LASSO回归筛选出钾磷摄入、血清白蛋白、血糖水平、间期体重增长、近期高钾史及透析间隔时间七个独立预测因子，构建并验证了高钾血症风险预测模型。模型在训练集AUC达0.905，验证集AUC为0.782，校准曲线显示良好一致性，决策曲线分析证实临床应用价值。

　　在维持性血液透析（Maintenance Hemodialysis, MHD）患者中，透析间期高钾血症（Interdialytic Hyperkalemia）的发生与多种不良临床结果密切相关，例如心律失常、心源性猝死以及整体预后恶化。随着慢性肾病（Chronic Kidney Disease, CKD）患者数量的持续增长，特别是在中国，接受血液透析治疗的患者数量已超过90万，这一趋势使得针对高钾血症的早期识别与风险评估变得尤为迫切。本研究旨在构建并验证一个用于预测MHD患者透析间期高钾血症风险的临床预测模型，为临床医生提供更精准的风险评估工具，从而实现早期干预，降低患者的不良预后风险。

透析间期指的是两次血液透析治疗之间的时段，由于患者在此期间缺乏直接的医疗监督，高钾血症往往难以及时发现和处理。而高钾血症在血液透析患者中的发生率较高，据文献报道，不同地区的发生率差异显著，例如在北美地区约为30%，在欧洲地区则高达47%，而在亚洲-太平洋地区（包括澳大利亚、新西兰和日本）约为37%。值得注意的是，有研究表明，超过75%的MHD患者在四个月内曾出现血清钾浓度超过5.0 mmol/L的情况，这表明高钾血症在该人群中具有较高的普遍性和复发性。因此，开发一个能够有效识别高钾血症风险的预测模型，不仅有助于提高临床管理的效率，还能改善患者的生活质量和生存率。

本研究基于两个血液透析中心在2024年1月至12月期间的312名MHD患者数据，通过回顾性分析，构建了一个包含七个关键预测变量的高钾血症风险预测模型。这些变量包括：饮食中钾的摄入量、磷的摄入量、血清白蛋白浓度、透析前血糖水平、透析间期体重增长率、近三个月内是否曾出现高钾血症病史，以及最近一次透析后的间隔时间。研究采用了LASSO回归法进行变量筛选，以确定与高钾血症发生具有显著关联的独立预测因素，并进一步利用多变量逻辑回归模型构建预测模型。为了评估模型的性能，研究团队采用了一系列统计学方法，包括受试者工作特征曲线（Receiver Operating Characteristic Curve, ROC曲线）、曲线下面积（Area Under the Curve, AUC）、校准曲线（Calibration Curve）以及临床决策曲线分析（Decision Curve Analysis, DCA），以全面评估模型的区分能力和临床实用性。

研究结果显示，模型在训练集中的AUC为0.905（95%置信区间：0.883–0.931），在验证集中的AUC为0.782（95%置信区间：0.756–0.819），表明该模型在训练集和验证集中均展现出较强的预测能力。校准曲线进一步验证了模型预测结果与实际观察结果之间的一致性，显示出良好的模型拟合度。此外，DCA分析表明，在临床相关的阈值范围内，该模型提供了正向的净收益，支持其在临床决策中的应用价值。模型的构建不仅基于客观的实验室指标，还结合了患者的饮食行为和代谢状态，从而更全面地反映了高钾血症的发生机制。

饮食中的钾和磷摄入是影响高钾血症发生的重要因素之一。在正常人群中，肾脏负责调节体内钾的平衡，约90%的钾通过肾脏排出体外。然而，在慢性肾病患者中，由于肾功能的下降，钾的排泄能力显著降低，导致血清钾浓度升高。同样，磷的代谢主要依赖于肾脏，当肾功能受损时，磷的排泄能力下降，进而引发高磷血症。在血液透析患者中，饮食摄入与透析前的血清钾和磷水平之间存在密切关联。过量摄入富含钾和磷的食物，如香蕉、橙子、坚果、豆类、乳制品等，可能显著增加高钾血症的风险。因此，针对MHD患者的饮食管理成为预防高钾血症的关键措施之一。在本研究中，饮食钾和磷的摄入量被确定为独立的预测因素，表明个体化饮食指导在降低高钾血症风险方面具有重要价值。

血清白蛋白水平也被发现是高钾血症的独立预测因素之一。白蛋白不仅反映了患者的营养状况，还与体内的电解质平衡密切相关。较高的白蛋白水平通常意味着更好的营养状态，这可能与更高的钾摄入量相关。此外，高蛋白饮食可能导致代谢性酸中毒，从而促使细胞内的钾向细胞外转移，进一步升高血清钾浓度。因此，血清白蛋白水平的监测有助于评估患者的营养状况，并间接反映其高钾血症的风险。在实际临床工作中，结合患者的饮食摄入和营养状态进行综合评估，可以更准确地识别高钾血症的高危人群。

透析前的血糖水平同样与高钾血症的发生密切相关。高血糖状态可能通过渗透机制和胰岛素抵抗影响钾的分布。在高渗透压环境下，细胞内的水分会向细胞外转移，同时钾离子也会随之进入细胞外液，导致血清钾浓度升高。此外，糖尿病患者由于胰岛素分泌或敏感性的异常，可能更容易出现高钾血症。在本研究中，33%的患者被诊断为糖尿病，这表明在糖尿病患者中，血糖的异常管理可能成为高钾血症的重要诱因。因此，对于接受MHD的糖尿病患者，严格的血糖控制不仅是糖尿病管理的核心内容，也是预防高钾血症的重要策略。

透析间期体重增长率和最近一次透析的间隔时间也被纳入预测模型中。体重增长过快可能反映患者在透析间隔期间的液体摄入控制不佳，这不仅会增加心血管负担，还可能影响电解质平衡。而透析间隔时间的延长意味着患者体内毒素和多余水分的积累，进而增加高钾血症的风险。因此，对于透析间期体重增长过快或透析间隔时间较长的患者，应加强监测，并根据个体情况调整透析频率和方案，以降低高钾血症的发生概率。

值得注意的是，尽管在单变量分析中，血清铁蛋白水平被发现与高钾血症的发生存在显著关联（P=0.020），但在多变量逻辑回归分析中，铁蛋白并未成为独立的预测因素。这一现象可能与多种因素有关。首先，铁蛋白作为急性期反应物，不仅反映铁储存情况，还与炎症状态相关。虽然研究中未发现两组患者之间C反应蛋白（C-reactive protein, CRP）水平的显著差异（P=0.110），但无法完全排除未测量的亚临床或局部炎症对铁蛋白水平的影响。其次，铁蛋白水平的差异可能更多地反映患者群体中铁代谢或营养状态的异质性，这些因素可能通过更复杂的机制间接影响血清钾水平，例如肌肉质量、饮食摄入或合并症的影响。因此，铁蛋白在模型中未被单独列为独立预测变量，可能与其与其他变量（如血清白蛋白和透析前磷水平）的协同作用有关。

在模型构建过程中，研究团队采用了LASSO回归法进行变量筛选。这种方法在处理具有大量预测变量、样本量有限或变量间存在高度相关性的情况下，能够有效减少模型的过拟合风险，同时保留重要的预测因子。与传统的逻辑回归相比，LASSO回归在临床研究中具有更强的变量选择能力和模型稳定性，尤其是在面对复杂的疾病机制和多因素影响时。本研究中，LASSO回归筛选出的七个变量均在多变量分析中表现出显著的预测能力，这表明模型具有较强的临床适用性。

此外，研究还强调了模型的外部验证过程。通过将患者数据分为训练集和验证集，研究团队不仅验证了模型的内部稳定性，还评估了其在不同人群中的泛化能力。验证结果显示，模型在训练集和验证集中均表现出良好的预测性能，说明该模型具有一定的推广价值。然而，研究团队也指出，该模型仍需在更大规模、更具代表性的患者群体中进一步验证，以确保其在不同临床环境下的适用性。

总体而言，本研究构建的高钾血症风险预测模型为临床医生提供了一种新的工具，以更精准地识别MHD患者中高钾血症的高危人群。通过综合评估饮食行为、代谢状态、实验室指标和透析参数，该模型能够有效预测患者在透析间期出现高钾血症的可能性。这种预测能力有助于临床医生在患者出现症状之前采取干预措施，例如调整饮食、优化透析方案或使用药物控制血钾水平，从而降低高钾血症带来的不良后果。

从临床实践的角度来看，该模型的应用可以显著提升对高钾血症的管理效率。对于高危患者，医生可以通过该模型提前预警，采取更积极的干预策略。例如，针对饮食中钾和磷摄入过高的患者，可以制定个性化的饮食计划，限制高钾、高磷食物的摄入，并鼓励患者遵循营养师的建议。对于透析前血糖水平异常的患者，应加强血糖监测和管理，以减少因高血糖导致的钾离子分布异常。此外，对于透析间期体重增长较快或透析间隔时间较长的患者，应考虑增加透析频率或优化透析方案，以更好地清除体内多余的水分和毒素，维持电解质平衡。

在模型的推广过程中，研究团队还指出了一些局限性。例如，研究中仅使用了C反应蛋白作为炎症指标，而未纳入更具体、更敏感的炎症标志物，如白细胞介素-6（Interleukin-6, IL-6）。这可能影响模型对炎症状态与高钾血症之间关系的全面评估。因此，未来的研究可以进一步探索其他炎症相关指标对模型性能的影响，以提升模型的预测精度。

此外，该模型的构建和验证过程还体现了多学科协作的重要性。营养学、内分泌学、心血管医学以及血液净化领域的专家共同参与了研究的设计与实施，确保了模型的科学性和实用性。这种跨学科的合作模式不仅有助于全面评估患者的健康状况，还能为临床实践提供更有力的支持。

最后，本研究的成果表明，基于多变量分析的高钾血症预测模型具有重要的临床意义。通过早期识别高钾血症风险，医生可以采取更积极的干预措施，减少患者的不良预后风险。同时，该模型的构建也为未来的临床研究提供了参考，特别是在探索高钾血症的多因素影响机制和优化个体化治疗方案方面。未来的研究可以进一步拓展模型的应用范围，结合更多的临床数据和患者特征，以提升其在不同人群中的适用性和预测能力。