编辑推荐：
心血管事件（CVE）是腹膜透析（PD）患者发病和死亡的主要原因，传统预测工具准确性欠佳。研究人员对比基于机器学习算法和 Cox 比例风险回归的 CVE 预测模型性能，发现随机生存森林（RSF）模型预测性能更好，有助于评估 PD 患者 CVE 风险。
在医疗领域，腹膜透析（PD）是治疗终末期肾病的重要手段之一。然而，PD 患者却面临着一个严峻的问题 —— 心血管事件（CVE）频发，这也是导致他们发病和死亡的主要原因。与普通人群相比，PD 患者由于存在炎症、氧化应激、钙磷代谢异常、水负荷过多以及高糖负荷等多种风险因素，使得心血管疾病（CVD）的负担更为沉重。传统的风险评估工具，如 Framingham 风险评分，并不完全适用于 PD 患者，因为两者的风险因素和病理生理特征存在差异。而经典的 Cox 比例风险回归模型，虽然是分析生存数据的常用方法，但它存在一些局限性，比如假设风险比例恒定以及预测变量与结果之间呈线性关系，在复杂的临床环境中，这些假设往往难以成立。因此，开发一种更准确、更可靠的预测模型，对于早期识别 PD 患者中的高风险个体，改善他们的预后，就显得尤为重要。
为此，安徽医科大学第二附属医院的研究人员开展了一项研究。他们的研究旨在对比基于机器学习算法和 Cox 比例风险回归构建的 CVE 预测模型的性能。研究人员通过一系列实验，最终得出结论：随机生存森林（RSF）模型在预测 PD 患者 CVE 风险方面表现更优，或许是评估该风险的有效方法。这一研究成果发表在《BMC Medical Informatics and Decision Making》上，为 PD 患者心血管疾病的防治提供了新的思路和方法。
在研究方法上，研究人员进行了单中心回顾性队列研究。样本来源于 2010 年 1 月 1 日至 2022 年 7 月 31 日在安徽医科大学第二附属医院接受 PD 导管置入术的患者。经过一系列排除标准筛选后，318 例患者被纳入后续分析，并随机分为训练集和验证集 。研究人员收集了患者的多项基线数据，包括人口统计学信息、实验室检查数据、超声心动图参数等。之后，运用 Cox 比例风险回归、极端梯度提升（XGBoost）和随机生存森林（RSF）三种模型进行分析，通过 10 折交叉验证等方法优化模型超参数，并使用时间依赖性受试者工作特征曲线下面积（AUC）和一致性指数（C-index）评估模型的判别能力。
下面来看具体的研究结果：
- 患者特征：研究共纳入 318 例 PD 患者，其中 110 例（34.6%）在中位随访 31（16,56）个月期间发生了 CVE。与未发生 CVE 的患者相比，发生 CVE 的患者年龄更大、血小板计数更高、随访时间更短，血清尿素氮和血清白蛋白水平更低。并且训练集和验证集在各变量上无统计学差异，说明分组平衡。
- LASSO-Cox 回归分析和列线图：通过 LASSO 回归和逐步多元 Cox 回归分析，确定了年龄、BMI、血小板计数等多个变量为 CVE 的独立风险因素，并构建了列线图。该列线图在训练集和验证集的 C-index 分别为 0.688 和 0.685 ，不同时间点的 AUC 也显示出一定的预测能力。
- XGBoost 模型：XGBoost 模型在训练集和验证集的 C-index 分别为 0.771 和 0.703，不同时间点的 AUC 表明其有一定的预测性能，但整体稍逊于 RSF 模型。
- 随机生存森林：RSF 模型在训练集和验证集的 C-index 分别为 0.810 和 0.725，1 - 5 年时间依赖性 AUC 在训练集和验证集中表现良好，且通过 SHAP 值分析得出血小板计数、年龄、4hD/Pcr、左心房（LA）直径和左心室（LV）直径是影响模型预测的前 5 个重要变量。此外，根据计算的截断风险评分将患者分为高、低风险组，两组的累积无 CVE 生存概率有显著差异，同时研究人员还开发了基于网络的风险计算器。
在研究结论与讨论部分，研究人员指出 RSF 模型在预测 PD 患者 CVE 风险方面具有优势。其识别出的重要变量与 CVE 均有明确的关联，如血小板计数、年龄等。与以往研究相比，本研究充分考虑了生存数据中的生存时间，增强了风险预测的准确性，且模型中的临床指标易于测量和收集，具有较高的实用性。然而，研究也存在一些局限性，例如单中心研究样本量有限、存在插值偏倚、部分重要指标缺失、随访时间不够长以及需要外部验证等。尽管如此，该研究依然为 PD 患者心血管疾病的风险评估提供了新的方法和依据，有助于临床医生更好地对 PD 患者进行风险分层，制定个性化的医疗策略，改善患者的预后。未来，期待更多大样本、多中心的研究来进一步验证和完善这一成果，为 PD 患者带来更多的福音。
