基于光电容积脉搏波(PPG)信号与机器学习融合优化的无创肌酐评估新方法

本研究针对慢性肾病(CKD)患者需频繁进行有创肌酐检测的临床痛点，创新性地采用光电容积脉搏波(PPG)信号结合机器学习(ML)技术，通过MIMIC III数据库404例患者数据，集成Optuna超参数优化框架开发五种ML模型。最优XGBoost模型准确率达85.2%，ROC-AUC达0.80，为无创肾功能监测提供了高精度解决方案。

　　

慢性肾病(CKD)是全球公共卫生的重大挑战，传统肌酐检测依赖有创采血，给患者带来疼痛、感染风险和心理负担。尤其对于需频繁监测的CKD患者，现有方法存在明显局限性。光电容积脉搏波(PPG)技术因其无创、便捷的特性，在血糖、血红蛋白等血液成分监测中展现出潜力，但针对肌酐的无创检测研究仍属空白。

为突破这一技术瓶颈，研究人员基于MIMIC III临床数据库和波形数据库，整合404例ICU患者的PPG信号与血清肌酐数据，开展了一项开创性研究。通过Butterworth滤波和快速傅里叶变换(FFT)预处理PPG信号，提取45项生理特征，并采用相关性矩阵、递归特征消除(RFE)和ExtraTree分类器筛选出10个关键特征。研究创新性地将Optuna超参数优化框架与随机森林(RF)、极限梯度提升(XGBoost)、人工神经网络(ANN)、支持向量机(SVM)和类别提升(CatBoost)五种机器学习算法集成，系统评估了优化前后模型的性能差异。

关键技术方法包括：从MIMIC III数据库获取404例患者的PPG信号与血清肌酐数据；采用Butterworth滤波和FFT进行信号降噪；通过峰值检测算法识别PPG波形特征；使用多种特征工程方法筛选关键特征；应用Optuna优化五种ML模型的超参数；采用k折交叉验证(k=10)和ROC-AUC等指标评估模型性能。

研究结果显示，经Optuna优化后所有模型性能显著提升。XGBoost表现最优，准确率从74.1%提升至85.2%，k折交叉验证得分从0.64增至0.70，ROC-AUC达0.80。特征分析发现，收缩峰持续时间(F8)、最大斜率(F14)等时域特征与肌酐水平高度相关。数据预处理环节中，Butterworth滤波器有效消除了高频噪声，同时保留了PPG信号的生理信息特征。

在模型比较部分，研究揭示了不同算法的优化潜力：XGBoost通过调整booster类型、lambda和alpha等参数实现最大性能跃升；ANN在神经元数量和层数优化后准确率提高6个百分点；SVM的ROC-AUC经核函数优化后从0.47提升至0.67。特别值得注意的是，XGBoost模型在特异性(0.93)和敏感性(0.80)间取得了最佳平衡，这对临床筛查具有重要意义。

讨论部分指出，该研究首次证实PPG信号特征与肌酐水平的强相关性，其机制可能与肾功能异常导致的血液流变学改变有关。相比既往基于唾液、泪液或电化学传感器的研究，该方法具有完全无创、可连续监测的优势。研究也存在一定局限，如数据仅来自ICU患者可能影响模型泛化能力，且数据集存在类别不平衡问题。

这项发表在《Healthcare Analytics》的研究具有重要临床价值：为CKD患者提供了安全、便捷的监测方案；85.2%的准确率已达到临床辅助决策要求；Optuna框架的优化效果验证了超参数调优在医疗AI中的关键作用。未来通过扩大健康人群和不同分期CKD患者的数据采集，有望建立更完善的肾功能无创评估体系。该技术若与可穿戴设备结合，将推动居家肾病管理的革新。