腹膜透析患者上消化道出血风险预测模型的建立与验证

为解决腹膜透析(PD)患者上消化道出血(UGIB)的高发风险（较普通人群高5倍）及其导致的死亡率和住院率上升问题，研究人员开发并验证了一个个体化预测模型。基于多中心回顾性队列研究（纳入2107例患者），使用LASSO回归筛选出钙剂使用、PPIs使用、UGIB病史、血红蛋白和尿酸等关键变量，构建了nomogram预测工具，训练集C-index达0.859。该模型为临床早期识别高风险患者、优化治疗方案提供了高效工具，有望改善PD患者预后。

　　

慢性肾脏病(CKD)在全球范围内发病率持续攀升，已成为重大公共卫生问题，其患病率高达11%且仍在增长。作为主流肾脏替代疗法之一，腹膜透析(PD)因血流动力学影响小、能保护残余肾功能并降低血源性感染风险，被广泛应用于临床。然而，PD患者面临一个致命威胁：上消化道出血(UGIB)的风险较普通人群高出5倍。UGIB不仅显著增加全因死亡率，还易导致透析中断和住院负担加重，严重影响患者生活质量。既往研究表明，UGIB风险因素包括尿毒症毒素累积、抗凝药物应用、继发性甲状旁腺功能亢进、营养不良及贫血等，但针对PD患者缺乏个体化预测工具。临床亟需一种简便、精准的风险评估模型，以指导早期干预。

为填补这一空白，中山大学附属第六医院的研究人员开展了一项开创性研究。他们设计了一项多中心回顾性队列研究，收集了2007年2月1日至2021年11月15日期间来自4个PD中心的2107例患者数据。纳入标准包括：终末期肾病需PD治疗、PD维持超过3个月；排除标准涵盖年龄<18岁、关键医疗记录缺失、肝硬化或凝血功能障碍等。数据采集涵盖人口学特征、合并症（如心血管疾病、糖尿病）、用药史（如钙剂、PPIs）及实验室指标（如血红蛋白、尿酸）。研究终点为需住院治疗的UGIB事件，通过电话随访追踪至2022年3月1日。采用统计学方法包括：数据集按1:1随机分为训练集与验证集；缺失数据处理采用均值填补；LASSO回归筛选变量后，通过多变量Logistic回归构建nomogram预测模型；模型性能通过ROC曲线、校准曲线和决策曲线分析(DCA)验证。

Development of nomogram

研究人员使用LASSO回归分析训练集数据，从33个候选变量中筛选出5个关键预测因子：钙剂使用、PPIs使用、UGIB病史、血红蛋白水平及尿酸浓度。这些变量在后续多变量Logistic回归中均显示显著相关性（OR值：钙剂使用2.970，PPIs使用2.133，UGIB病史5.906；血红蛋白和尿酸与风险呈负/正相关，P<0.05）。基于此，构建了nomogram可视化评分工具（图3），便于临床快速计算个体UGIB风险。

Model validation

模型在训练集和验证集均表现优异。训练集C-index为0.859（95%CI, 0.810–0.909），验证集C-index为0.874（95%CI, 0.829–0.919），表明区分度高。校准曲线（图5）显示预测概率与实际观察值高度一致（Hosmer-Lemeshow检验P=0.755），证明模型校准良好。ROC曲线分析（图4）进一步确认了模型的稳健性。

Clinical utility

决策曲线分析(DCA)（图6）显示，在预测阈值0–0.25范围内，模型净收益高于无效参考线，证实其临床实用性。该nomogram可辅助医生识别高危患者，指导药物调整（