基于机器学习算法的东南亚老年慢性肾病患者死亡率预测模型构建与验证

本研究针对老年慢性肾病(CKD)患者透析治疗决策难题，开发了随机森林(NRF)和平衡随机森林(BRF)机器学习模型预测6个月死亡率。研究纳入新加坡樟宜综合医院1,606例≥65岁血液透析患者数据，结果显示NRF模型ROC-AUC达0.828，显著优于传统REIN和Wick评分。通过SHAP分析确定血清白蛋白、血红蛋白等11项关键预测因子，为东南亚人群提供了首个本土化决策支持工具。

　　

在全球老龄化加剧的背景下，慢性肾病(CKD)已成为威胁老年健康的重要杀手。当肾脏功能逐渐衰竭，患者往往面临是否接受透析治疗的人生抉择——这个看似简单的临床决策背后，却隐藏着令人揪心的现实困境。统计显示，约21.5%的老年患者会在开始透析后6个月内离世，而传统评估工具如REIN和Wick评分在东南亚人群中的表现差强人意。更棘手的是，东西方人群在基因背景、共病模式等方面存在显著差异，直接套用西方模型就像给亚洲患者"量错尺码"，导致风险预测频频失准。

正是这种临床痛点和地域差异，促使新加坡樟宜综合医院的研究团队开展了这项开创性研究。团队收集了2015-2023年间1,606例≥65岁血液透析患者的完整临床数据，采用机器学习领域最具解释性的随机森林算法，开发出两种预测模型：常规随机森林(NRF)和针对数据不平衡优化的平衡随机森林(BRF)。研究特别引入SHAP值分析技术，使"黑箱"算法变得透明可解释，让临床医生能清楚理解每个预测背后的依据。

关键技术方法包括：1)采用多重插补法(MICE)处理缺失数据；2)基于时间序列划分训练集(75%)和测试集(25%)；3)使用SHAP值进行特征重要性排序；4)通过网格搜索优化随机森林超参数；5)采用决策曲线分析评估临床效用。所有数据均来自新加坡单中心队列，排除了急性肾损伤患者。

研究结果显示：

1. 1.

   模型性能比较

   NRF模型以ROC-AUC 0.828(95%CI 0.775-0.874)的优异成绩胜出，较BRF模型(0.825)和传统REIN评分(0.756)、Wick评分(0.695)具有明显优势。校准曲线显示NRF预测概率与实际观察值高度吻合。

1. 1.

   关键预测因子

   SHAP分析揭示：低血清白蛋白(<3.5g/dL)和血红蛋白(<10g/dL)是最强死亡预测因素，而较高eGFR( paradox="反常现象")、Charlson共病指数(CCI)和血清无机磷酸盐水平也提示不良预后。

1. 1.

   临床实用性

   决策曲线分析证实，当临床决策阈值概率在5%-65%范围内时，使用NRF模型能带来显著净获益，避免了21.5%不必要透析治疗的同时，确保了高危患者的及时干预。

讨论部分指出，这项研究实现了三个重要突破：首先，建立了首个基于东南亚多民族人群的透析预后模型，弥补了REIN等西方模型的地域局限性；其次，通过机器学习捕捉了传统方法难以发现的非线性关系，如eGFR与死亡率间的"J型曲线"关联；最后，模型仅需常规检查指标即可运行，无需昂贵检测，适合资源有限地区推广。

研究团队特别强调，该模型并非要替代临床判断，而是作为"决策催化剂"——当预测显示6个月死亡风险>50%时，医生可与患者深入探讨保守治疗的可能性。目前团队已开发交互式决策工具，正在开展前瞻性验证。这项发表于《BMC Nephrology》的研究，为老年肾病精准医疗树立了新标杆，其方法论对其它慢性病预后研究也具有重要借鉴意义。