美国非洲裔和印第安裔慢性肾病患者的临床特征与治疗差异：一项真实世界队列研究

本研究针对美国非洲裔(AA)和印第安裔(AI/AN)慢性肾病(CKD)患者存在的医疗差异问题，通过分析CURE-CKD注册系统中381,011例患者的电子健康记录，发现尽管AA患者接受肾素-血管紧张素系统抑制剂(CKD-GDMT)和尿白蛋白检测(UACR/UPCR)的比例高于白人，但总体治疗率不足50%，揭示了CKD标准治疗在不同种族群体中的实施差距。该研究为改善少数族裔肾脏健康公平性提供了重要证据。

　　

慢性肾脏病(CKD)已成为全球公共卫生危机，影响着全球8.5亿人口。在美国，这一疾病呈现出鲜明的种族差异——非洲裔(AA)和印第安裔(AI/AN)人群不仅患病率更高，而且进展为肾衰竭的风险显著增加。更令人担忧的是，这些高风险群体在临床研究中长期代表性不足，导致其独特的医疗需求未被充分认知。与此同时，临床实践指南推荐的标准化治疗，包括肾素-血管紧张素系统抑制剂(ACE抑制剂/ARBs)和尿白蛋白/肌酐比值(UACR)检测，在美国的整体实施率明显低于其他高收入国家。这种双重困境引发了一个关键问题：医疗实践中的种族差异是否加剧了CKD的疾病负担？

为回答这一问题，约翰霍普金斯大学布隆伯格公共卫生学院(Johns Hopkins University Bloomberg School of Public Health)联合普罗维登斯医学研究中心等机构的研究人员开展了一项大规模真实世界研究。通过分析CURE-CKD注册系统中2015-2020年间381,011例CKD患者的电子健康记录(EHR)，研究团队系统评估了不同种族群体接受指南推荐治疗的情况。这项开创性研究近期发表在《BMC Nephrology》上，为理解医疗实践中的种族差异提供了重要证据。

研究采用多中心观察性设计，主要技术方法包括：1)从两大医疗系统(UCLA Health和Providence)提取EHR数据构建CURE-CKD注册库；2)使用国际疾病分类代码和实验室指标(eGFR<60 mL/min/1.73 m²或UACR≥30 mg/g)识别CKD患者；3)应用多变量逻辑回归和机器学习方法(包括随机森林和lasso回归)分析种族与治疗结局的关联；4)采用预测均值匹配处理估算缺失的肾小球滤过率(eGFR)数据。

研究结果揭示了一系列重要发现：

临床特征差异显著
AA(62±17岁)和AI/AN(57±18岁)患者比白人患者(68±17岁)更早罹患CKD。AA人群合并糖尿病(43%)和高血压(84%)的比例最高，AI/AN患者糖化血红蛋白(HbA1c)中位数达7.3%，显示更差的血糖控制。这些高危人群的体重指数(BMI)也显著更高(AA/AI/AN:31±8 vs 白人:29±7)。

治疗实施存在种族差异
尽管整体治疗率不理想，AA患者接受ACE抑制剂/ARBs治疗的比例(46%)显著高于白人(40%，OR=1.20)，AI/AN患者(38%)也有轻微优势(OR=1.07)。尿蛋白检测率呈现不同模式：AA患者检测率(22%)高于白人(14%，OR=1.34)，而AI/AN患者(13%)检测可能性更低(OR=0.73)。

性别差异贯穿各人群
所有种族女性接受CKD-GDMT(OR=0.78-0.85)和UACR检测(OR=0.84)的几率均低于男性，揭示了医疗实践中普遍存在的性别不平等。

糖尿病和高血压是核心驱动因素
多变量分析和机器学习均确认，糖尿病(OR=2.46-6.50)和高血压(OR=3.98-4.11)是预测治疗实施的最强因素，凸显合并症管理在CKD治疗中的关键地位。

这项研究得出了几个具有深远意义的结论：首先，美国医疗系统在实施CKD标准治疗方面存在明显不足，总体治疗率不足50%，这可能导致可预防的肾功能恶化。其次，虽然AA患者相对更可能接受指南推荐治疗，但这种"优势"可能源于临床医生对其高风险的认知，而非最佳实践。第三，AI/AN患者在尿蛋白检测方面的显著劣势特别值得关注，这可能影响早期肾病发现。最后，贯穿所有种族的性别差异提示医疗系统存在结构性偏见。

研究的讨论部分强调，观察到的种族差异不能完全解释AA和AI/AN人群过重的CKD负担，提示社会决定因素、环境暴露和遗传易感性等复杂因素的共同作用。研究人员建议采取多层次干预措施，包括电子健康记录提示系统、临床医生教育、患者赋权和政策改革，以缩小治疗差距。特别值得注意的是，该研究采用的机器学习方法为未来开发种族特异性的预测模型奠定了基础，有望实现更精准的CKD管理。

这项研究的重要价值在于，它首次大规模系统评估了美国两大医疗系统中CKD治疗的种族差异，为制定针对性干预措施提供了实证基础。研究结果不仅对临床实践具有直接指导意义，也为健康公平性研究树立了新标杆。随着精准医学时代的到来，这种融合传统流行病学与机器学习的方法，将为解决健康差异问题开辟新途径。