基于机器学习预测血液透析动静脉通路一年临床成功使用的研究

《npj Digital Medicine》：Predicting 1-year successful clinical use of an arteriovenous access for hemodialysis using machine learning

本研究针对动静脉（AV）通路长期成功率低（仅47.4%可用于血液透析）的临床难题，开发了基于VQI数据库的机器学习预测模型。研究团队通过分析59,674例患者的111项术前特征，发现XGBoost模型对AV通路一年成功使用的预测性能最优（AUROC=0.90），显著优于逻辑回归（AUROC=0.70）。该模型首次实现仅凭术前数据准确预测长期结局，为个性化透析通路规划提供了重要决策工具。

　　

对于终末期肾病患者而言，血液透析是维持生命的重要治疗手段，而动静脉（AV）通路则是实现长期血液透析的"生命线"。然而临床实践表明，高达60%的AV通路可能因成熟不足或并发症而无法使用，两年累计通畅率不足70%。这种高失败率不仅导致患者需要反复手术，还增加了感染、血栓等风险，给患者带来沉重负担。目前缺乏能够在术前准确预测AV通路长期成功使用的工具，使得临床医生在规划透析通路时面临巨大挑战。

在这项发表于《npj Digital Medicine》的研究中，研究团队利用血管质量倡议（VQI）数据库的大规模临床数据，开发了一套机器学习算法，旨在术前预测AV通路一年成功临床使用的可能性。该研究纳入了2011年至2024年间接受手术AV瘘管或移植血管创建的59,674例患者，最终28,304例（47.4%）患者实现了指数AV通路一年成功临床使用。

研究团队采用了多种关键技术方法：从VQI数据库中提取111项术前特征构建预测模型；使用6种机器学习算法（XGBoost、随机森林、朴素贝叶斯、RBF支持向量机、多层感知器人工神经网络和逻辑回归）进行模型训练；采用10折交叉验证优化超参数；通过随机过采样示例（ROSE）处理类别不平衡问题；使用接受者操作特征曲线下面积（AUROC）作为主要评估指标。

研究结果显示，在仅使用术前变量的情况下，XGBoost模型表现最佳，AUROC达到0.90（95% CI 0.89-0.91），准确率为82%。相比之下，逻辑回归的AUROC仅为0.70。模型在校准曲线中也表现出良好的一致性，Brier得分为0.08。

敏感性分析表明，加入术中特征并未改变模型性能（AUROC 0.90，p=0.90），而加入术后特征仅边际改善性能（AUROC 0.91，p=0.41）。对于次要结局，XGBoost模型在术前和术中阶段对一年AV通路血栓形成和再干预的预测AUROC分别为0.86和0.88。

最重要的预测因子分析显示，一年AV通路成功使用的十大预测因子包括9项术前特征（计划流入动脉和流出静脉、计划通路类型、术前超声静脉映射、年龄、心律失常、既往AV瘘数量、慢性阻塞性肺疾病[COPD]和充血性心力衰竭[CHF]）和1项术后特征（术后即刻并发症）。其中，流入动脉和流出静脉直径较大、选择瘘管而非移植血管、使用术前超声静脉映射预示着成功，而年龄较大、存在心律失常、既往AV瘘数量较少、存在术后即刻并发症、COPD和CHF则预示着失败。

亚组分析证实，模型在不同人口统计学和临床人群中均保持稳健性能，AUROC范围在0.89-0.91之间，多数群体与少数群体之间无显著差异。

研究结论强调，这项基于大规模血管特异性临床登记数据的研究开发了稳健的机器学习模型，能够仅使用术前数据准确预测AV通路一年成功临床使用（AUROC≥0.90）。该模型在指导AV通路规划、监测和咨询方面具有重要临床价值，有助于实现个性化护理并可能提高AV通路成功概率。值得注意的是，仅使用术前变量即可准确预测长期AV通路结局，而术中和术后变量仅边际改善模型性能，这证明了该模型在指导术前决策方面的潜在效用。

该研究的创新之处在于首次利用大规模真实世界数据开发出高性能的术前预测工具，克服了传统统计方法的局限性，为改善终末期肾病患者的血液透析管理提供了重要技术支持。研究团队已公开模型代码，便于临床推广应用，未来计划进行前瞻性验证以确认临床效用和影响。