基于深度学习的脓毒症相关性急性肾损伤患者 MAKE30 最佳风险预测模型研究（ORAKLE）

为解决现有 MAKE30 预测模型静态、忽视临床状态动态变化的问题，研究人员开发深度学习模型 ORAKLE，利用时间序列数据预测脓毒症相关 AKI 患者的 MAKE30。结果显示其性能优于传统模型，为个性化管理奠定基础。

　　在重症医学领域，急性肾损伤（AKI）尤其是脓毒症相关 AKI 一直是临床难题。这类患者不仅面临高死亡率，还可能在短期内出现严重肾脏不良事件，如死亡、新发透析或持续性肾功能不全，统称为 30 天内主要不良肾脏事件（MAKE30¹）。然而，传统的预测模型依赖静态数据，无法捕捉患者病情随时间的动态变化，例如肾功能的波动、治疗反应的差异等，这导致临床医生难以在疾病进展过程中及时调整治疗策略，也限制了对高风险患者的精准识别。因此，开发一种能够整合动态临床数据、实现实时风险评估的模型，成为改善 AKI 患者预后的关键需求。

为了攻克这一难题，美国西奈山伊坎医学院（Icahn School of Medicine at Mount Sinai）的研究团队开展了一项具有突破性的研究。他们开发了名为 ORAKLE（Optimal Risk prediction for mAke30 in patients with acute Kidney injury using deep LEarning）的深度学习模型，旨在通过分析患者的动态时间序列数据，更精准地预测脓毒症相关 AKI 患者的 MAKE30 风险。这项研究成果发表在国际知名期刊《Critical Care》上，为 AKI 的个性化管理提供了新的思路和工具。

研究人员采用了多中心、回顾性的研究设计，使用了三个公开的重症监护数据库：MIMIC-IV（作为开发队列）、SiCdb 和 eICU-CRD（作为外部验证队列）。研究纳入了符合 Sepsis-3 标准且在重症监护室（ICU）入院 48 小时内发生 AKI 的成年患者，主要结局为 MAKE30，即 ICU 入院 30 天内出现死亡、新发透析或血清肌酐≥基线值 200% 的复合事件¹。

在技术方法上，ORAKLE 基于 Dynamic DeepHit 框架构建，这是一种专门用于时间序列生存分析的深度学习框架。模型包含两个关键子网络：一是长短期记忆网络（LSTM）构成的时间序列子网络，用于处理多变量时间序列数据，捕捉患者生命体征、实验室指标等随时间的变化模式；二是特定病因子网络，通过全连接层输出不同时间点各结局事件的发生概率¹。研究人员将模型性能与传统的 Cox 比例风险模型和 XGBoost 模型进行对比，并通过 Brier 评分评估校准度，同时利用 SHapley 加性解释（SHAP）值分析特征重要性。

研究结果

研究人群特征

研究共分析了 MIMIC-IV 的 16,671 例患者、SiCdb 的 2,665 例患者和 eICU-CRD 的 11,447 例患者。各队列患者的基线特征存在差异，如年龄、性别、AKI 分期和 SOFA 评分等，但 MAKE30 的总体发生率在不同数据库中分别为 29%、26% 和 39%¹。

模型预测性能

ORAKLE 在预测 MAKE30 方面显著优于传统模型。在 MIMIC-IV 内部测试集、SiCdb 和 eICU-CRD 中，ORAKLE 的 AUROC 分别为 0.84（95% CI: 0.83–0.86）、0.83（95% CI: 0.81–0.85）和 0.85（95% CI: 0.84–0.85），均高于 Cox 模型和 XGBoost 模型¹。AUPRC 值同样显示 ORAKLE 的优势，且随着预测时间从 AKI 发作延长至 7 天，其性能提升更为显著，表明动态时间序列数据的利用能有效提高预测准确性¹。

模型校准与特征重要性

ORAKLE 的 Brier 评分在各队列中均为 0.21，显示出良好的校准度，即模型预测的概率与实际事件发生率高度吻合¹。特征重要性分析表明，AKI 分期、年龄、体重、血清肌酐和 SOFA 评分是预测 MAKE30 的关键因素，其中 AKI 分期的影响最为突出¹。

研究结论与讨论

ORAKLE 通过整合动态时间序列数据，成功克服了传统静态模型的局限性，能够更准确地反映肾脏损伤的动态演变、治疗效果和患者病程。其核心优势在于利用 LSTM 网络捕捉数据中的时间依赖性，从而实现对风险的实时更新和个性化评估¹。这一模型不仅为临床医生提供了更精准的风险评估工具，有助于早期识别高风险患者并制定个体化治疗方案，还为临床试验的患者筛选提供了新方法，有望加速 AKI 治疗策略的优化¹。

尽管研究存在回顾性分析的固有局限性，如潜在的选择偏倚和未调整慢性肾病患者的基线肌酐等，但多中心验证的良好结果表明其具有较强的泛化能力¹。未来，将 ORAKLE 部署到临床实践中进行前瞻性验证，进一步探索其在指导液体管理、肾毒性药物监测等方面的应用，可能成为推动 AKI 精准医疗的重要方向。这项研究标志着深度学习在重症肾脏疾病管理中的重要进展，为实现 “以患者为中心” 的个体化治疗提供了坚实的技术基础。