新生儿消化外科术后急性肾损伤( AKI )的机器学习预测模型构建与临床价值评估

本研究针对新生儿消化外科术后急性肾损伤(AKI)的预测难题，通过机器学习模型与逻辑回归的对比分析，筛选出IVF、5分钟Apgar评分、术中平均体温等5个关键预测因子，构建的列线图模型训练集AUC达0.76，测试集AUC达0.77，其校准曲线和决策曲线分析(DCA)证实模型具有优异临床转化潜力，为新生儿围手术期肾损伤防控提供新工具。

　　

这项开创性研究聚焦新生儿消化系统手术后急性肾损伤(AKI)的预测难题。科研团队收集了742例手术新生儿的临床数据，采用7:3比例随机划分训练集与测试集。通过单变量分析筛选关键特征后，对比四种机器学习模型性能，意外发现传统逻辑回归模型表现最优——其构建的列线图整合了静脉输液量(IVF)、5分钟Apgar评分、术中平均体温、术前血肌酐(SCr)和术后尿素氮(UN)五大黄金指标，在训练集和测试集分别获得0.76(95%CI 0.69-0.83)和0.77(95%CI 0.66-0.88)的曲线下面积(AUC)。校准曲线呈现完美对角线分布，决策曲线分析(DCA)显示模型在广泛阈值概率范围内具有净收益，临床影响曲线(CIC)进一步验证其预测效能。该模型不仅破解了新生儿AKI 7.8%发生率的预警难题，更开创性地将机器学习解释性应用于临床决策支持，为优化围手术期管理提供智能导航。