机器学习预测血液透析患者透析后疲劳：一项多中心横断面研究

这篇研究通过比较7种机器学习（ML）模型（包括LR、RF、XGB等），构建了血液透析（HD）患者透析后疲劳（PDF）的预测模型。随机森林（RF）模型表现最优（AUC 0.855），揭示了心理韧性（Resilience）、食欲（Appetite）、血钾水平（K+）等8项核心预测因子，为临床早期干预提供AI驱动的精准筛查工具。

　　

研究背景

全球约10%人群罹患肾脏疾病，2019年肾功能异常导致310万死亡（全球第七大死因）。中国血液透析（HD）患者超91万，透析后疲劳（PDF）作为核心不良事件，发生率高达61%，显著增加全因死亡率（HR 1.89）和心脏事件风险。传统预测模型存在样本量小（n=243）、未区分PDF与慢性疲劳等局限，亟需机器学习（ML）构建多维预测体系。

研究方法

采用中国山西6家三甲医院1,281例HD患者数据（男性65.26%，平均年龄54.48岁），通过嵌套交叉验证LASSO筛选25项特征，涵盖：

1. 人口统计学：BMI、教育水平
2. HD相关：内瘘手术史（HFS）、透析中进食（Eat）
3. 实验室：血钾（K⁺ 5.07±0.82 mmol/L）、CRP（6.89 mg/L）
4. 心理社会：心理韧性（CD-RISC-10评分<26）、睡眠质量（PSQI>5分）

采用SMOTE处理数据不平衡（PDF:非PDF=1.71:1），比较7种ML模型性能，结合SHAP值解析关键因子。

核心发现

最优模型：RF模型测试集表现AUC 0.855（训练集0.983），敏感性0.779，Brier评分0.155，显著优于逻辑回归（ΔAUC +0.212）。

关键预测因子：

1. 心理韧性（SHAP值+1.32）：低韧性患者PDF风险升高3.2倍，与下丘脑-垂体-肾上腺轴（HPA）失调相关
2. 血钾异常（K⁺<4.0 mmol/L时SHAP急剧负向）：每降低1 mmol/L，肌肉疲劳评分增加2.3分
3. 睡眠障碍（PSQI>5分）：使PDF发生风险提升86%（OR 1.86, 95%CI 1.32-2.61）
4. 内瘘手术史（HFS阳性）：二次手术患者PDF发生率较初次高41%

临床转化

提出三级预警系统：

1. 高风险（RF预测概率≥0.8）：立即干预电解质+心理疏导
2. 中风险（0.6-0.8）：优化透析方案（如调整Na⁺梯度）
3. 低风险（<0.6）：常规监测食欲量表（SNAQ≤14分）

创新与局限

首次将SHAP解释性AI应用于PDF预测，但存在样本地域局限（仅华北地区）和未纳入基因组数据。未来建议整合fMRI脑功能成像参数提升模型精度。

行业启示

该模型可嵌入透析机智能系统，实现实时PDF风险预警（如血钾<3.5 mmol/L时自动触发警报），较传统问卷筛查效率提升17倍。临床验证显示，基于模型干预组PDF发生率下降38%（p<0.01）。