痛风患者急性肾损伤与急性肾病风险预测模型的开发与验证：一项基于机器学习的回顾性研究

本研究针对痛风患者急性肾损伤（AKI）和急性肾病（AKD）的高发病率及不良预后，通过机器学习算法构建了高效预测模型。研究人员回顾性分析了1260例痛风患者数据，开发出基于LightGBM的预测工具（AKI预测AUROC 0.815，AKD预测AUROC 0.873），发现利尿剂、血钠水平等关键风险因素，并部署为临床决策支持系统。该研究为早期识别高风险患者提供了量化工具，对改善痛风患者肾功能管理具有重要意义。

　　

在全球范围内，痛风已成为困扰1.0%-6.8%人口的常见代谢性疾病，其发病率仍在持续攀升。这种由尿酸结晶沉积引发的疾病不仅带来关节剧痛，更与心血管疾病、慢性肾病（CKD）等严重并发症密切相关。尤其值得注意的是，痛风患者中急性肾损伤（AKI）和急性肾病（AKD）的发生率分别高达9.05%和12.78%，且伴有AKD的痛风患者死亡率飙升至18.6%，凸显出肾功能急剧恶化带来的重大健康威胁。然而，临床实践中仍缺乏针对这一特殊人群的早期预警工具，传统统计方法难以捕捉复杂的非线性风险因素，使得许多患者在出现明显肾功能损害时才被确诊，错失最佳干预时机。

为破解这一临床难题，青岛大学附属医院肾病科的研究团队开展了一项开创性研究。通过分析2020-2024年间1260例住院痛风患者的临床数据，研究人员首次构建了基于机器学习的AKI/AKD预测体系。这项发表在《European Journal of Medical Research》的研究显示，LightGBM算法在预测AKI（AUROC 0.815）和AKD（AUROC 0.873）方面表现最优，其性能显著超越传统逻辑回归等模型。更引人注目的是，团队将模型简化为包含10个关键特征的临床实用版本，并开发成在线决策平台，为实时风险评估提供了创新解决方案。

研究采用多维度技术路线：首先通过电子病历系统采集人口统计学特征、实验室检查（包括血肌酐Scr、估算肾小球滤过率eGFR等）、合并症和用药史等四类变量；随后应用十折交叉验证优化九种机器学习算法（含GBM、XGBoost等）；最后采用SHAP和LIME技术实现模型可解释性分析。所有数据处理均使用Python 3.9.13和R 4.3.2完成，严格遵循KDIGO和ADQI指南定义AKI/AKD诊断标准。

研究结果揭示多项重要发现：

1. 流行病学特征：在232例发生急性/亚急性肾损伤的患者中，50.86%表现为亚急性AKD，18.53%由AKI进展为AKD，后者死亡率是单纯AKD患者的3倍。
2. 关键预测因子：SHAP分析显示，AKI预测中利尿剂（OR=3.12）、血钠和降尿酸药物（ULT）最具影响力；AKD预测则主要依赖年龄、利尿剂和AKI分级。值得注意的是，当尿酸>400μmol/L时，ULT药物通过降低尿酸水平展现出肾脏保护作用。
3. 药物相互作用：质子泵抑制剂（PPIs）与肾功能损伤显著相关，而利尿剂在老年患者中尤其易诱发AKD（p<0.01）。
4. 模型可视化：通过SHAP力场图（如
   
   ）直观展示个体化风险评估过程，例如某患者因同时存在高龄（72岁）、利尿剂使用和低血红蛋白（107g/L）被判定为89%的AKI风险。

这项研究的结论部分强调了三重突破：首先，机器学习模型首次量化了痛风患者肾功能急剧恶化的风险梯度；其次，发现尿酸水平与ULT药物的非线性关系为临床用药提供新依据；最后，在线预测平台（https://prediction-app-for-gout-patients.streamlit.app/）实现了科研成果向临床实践的快速转化。尽管存在单中心回顾性研究的局限性，但该成果为痛风患者的肾功能监护开辟了"预测-干预-监测"的新范式，尤其对合并高血压、糖尿病等多系统疾病的老年患者具有重要临床价值。未来研究可通过纳入尿液生物标志物和延长随访期，进一步优化模型的时序预测能力。