机器学习模型预测脓毒症心肌损伤患者严重急性肾损伤的临床价值研究

本研究针对脓毒症心肌损伤(SIMI)患者并发严重急性肾损伤(sAKI)的临床难题，通过分析MIMIC-IV数据库1467例患者数据，构建了5种机器学习模型。结果显示随机森林(RF)模型预测效能最优(AUC=0.81)，显著优于传统SOFA评分(AUC=0.66)，首次证实机器学习可有效预测SIMI患者sAKI风险，为临床早期干预提供智能决策工具。

　　

脓毒症作为威胁生命的全身炎症反应，常导致多器官功能障碍，其中脓毒症心肌损伤(SIMI)和急性肾损伤(AKI)的共病现象尤为棘手。临床数据显示，40-50%的脓毒症患者会出现SIMI，而这类患者中约35.7%会在7天内进展为严重AKI(sAKI)，死亡率高达40%。更严峻的是，即使幸存者也有10%概率发展为慢性透析依赖。目前临床常用的SOFA评分对sAKI预测效能有限(AUC仅0.66)，而早期识别对逆转肾损伤至关重要——研究表明11%的院内死亡源于干预时机延误。这一临床困境呼唤更精准的预测工具问世。

济宁市第一人民医院重症医学科的研究团队创新性地将机器学习技术引入这一领域。他们从MIMIC-IV数据库中筛选1467例符合Sepsis-3和SIMI诊断标准的患者（cTnT>0.01 ng/mL），排除慢性肾病等混杂因素后，通过LASSO回归和Boruta算法从71个临床特征中筛选出9个关键预测因子，包括尿量、血清肌酐、BMI等。研究团队构建了KNN、SVM、RF、XGBoost和MLP五种机器学习模型，并与传统SOFA评分进行头对头比较。

关键技术方法包括：采用MIMIC-IV数据库2008-2019年ICU患者电子病历数据进行回顾性队列研究；依据KDIGO标准定义sAKI（AKI 3期）；使用随机森林算法处理缺失值；通过LASSO回归和Boruta算法进行双重特征筛选；构建五种机器学习模型并采用SHAP方法进行可解释性分析。

研究结果显示：在验证队列中，RF模型展现出最优预测性能，AUC达0.81，准确率79%，显著优于SOFA模型(AUC 0.66)。SHAP分析揭示尿量、肌酐和BMI是最具预测价值的三大因素——尿量每减少50ml/h，sAKI风险增加1.8倍；BMI每增加5kg/m²
，风险上升10%。值得注意的是，酸中毒(pH<7.3)和血小板减少(<166×10⁹
/L)也是独立预测因子，这与已知的酸中毒导致肾小管细胞凋亡、血小板参与微循环障碍的病理机制相符。

讨论部分指出，这是首个针对SIMI患者sAKI预测的机器学习模型研究。RF模型的优势在于能捕捉特征间非线性交互作用，例如揭示出血压与凝血功能指标的协同效应。临床转化价值体现在：当模型预测sAKI概率>70%时，建议启动肾脏替代治疗准备；对BMI>30kg/m²
合并酸中毒者需加强监测。局限性包括单中心回顾性数据、未纳入动态指标等，未来需通过多中心前瞻性研究验证。

该研究为脓毒症多器官功能障碍的早期预警提供了新范式，其临床意义在于：首次量化了SIMI患者sAKK的预测因子权重，证实机器学习较传统评分更具优势；建立的RF模型可整合至ICU智能决策系统，实现每4小时风险动态评估；提出的"尿量-肌酐-BMI"三联预警指标便于基层医院推广应用。正如作者Te Mi和Xuelin Li强调的，这种预测模型不仅能改善患者预后，更有望通过早期干预降低10-15%的脓毒症相关死亡率，为实现精准危重症医疗迈出关键一步。