基于机器学习的动态在线列线图模型预测尿石症患者尿培养阳性的早期诊断

本研究开发了一种用户友好的动态在线列线图模型，通过机器学习整合细菌计数（BACT）、C反应蛋白（CRP）、亚硝酸盐（NIT）和白细胞酯酶（LEU）四项关键指标，可早期预测尿石症患者尿培养阳性风险（AUC达0.91）。该模型通过LASSO回归和SHAP分析优化变量选择，临床验证显示其能有效区分88.5%阴性及78.7%阳性病例（阈值16.8%），为优化抗生素使用和降低尿路感染（UTI）相关脓毒症风险提供精准工具。

　　

背景

尿石症患者中尿培养阳性率高达15.7%，但传统依赖48小时尿培养的检测方式严重延误诊疗。现有临床决策多基于主观症状和初步实验室指标，易导致抗生素滥用或治疗不足。针对这一临床痛点，研究团队提出结合机器学习与动态在线列线图技术，实现尿石症患者尿培养阳性的实时预测。

方法

研究回顾性纳入天津医科大学第二医院3,641例尿石症患者数据，通过LASSO回归从23项候选指标中筛选出6项潜在预测因子（肾积水程度、白蛋白、CRP、NIT、LEU、BACT），进一步经多变量逻辑回归确定4项核心指标：

1. 1.

   细菌计数（BACT）：采用Sysmex UF-5000流式细胞仪定量，阈值≥20细菌/μL

2. 2.

   炎症标志物：血清CRP>5 mg/L

3. 3.

   尿试纸指标：LEU（2+/3+）和NIT阳性

模型通过随机森林和SHAP值分析验证变量重要性，并开发交互式网页工具（https://ydeymnjs.shinyapps.io/dynnomapp），支持临床实时风险评估。

结果

• •

  预测效能：整体队列AUC达90.53%，训练集与验证集分别为91.22%和89.06%，校准曲线显示预测与实测结果高度吻合。

• •

  阈值优化：概率密度函数（PDF）分析确定16.8%为最佳分界点，可识别78.7%阳性病例同时排除88.5%假阳性。

• •

  临床优势：决策曲线分析（DCA）证实该模型净收益显著高于单一指标，尤其在10%-30%风险阈值区间最具临床价值。

讨论

研究揭示了传统指标的局限性：

• •

  NIT虽特异性达99.19%，但仅能检测革兰阴性菌（灵敏度38.04%）

• •

  糖尿病、高龄（57.6±26.1岁）及女性（59.97%）显著增加感染风险

• •

  新一代炎症标志物（NLR、PLR、SII等）虽具鉴别价值，但CRP+BACT+LEU组合更具普适性

模型创新性在于：

1. 1.

   整合自动化尿流式细胞术结果，缩短检测时间至1小时内

2. 2.

   动态列线图适配移动终端，突破传统纸质列线图的临床适用瓶颈

3. 3.

   首次在尿石症领域建立PDF/CUC驱动的概率阈值决策体系

局限与展望

当前模型未纳入降钙素原（PCT）和NGAL等新兴标志物，未来需通过多中心研究验证。值得注意的是，肾盂尿培养阳性率可能高于中段尿，提示采样部位或影响预测准确性。研究者建议探索巨噬细胞集落刺激因子（M-CSF-1）、S100-A12蛋白等炎症介质在UTI中的调控机制，以进一步完善预测体系。

结论

该动态列线图为尿石症相关尿路感染的精准防控提供新范式，其16.8%风险阈值可有效平衡抗生素治疗获益与耐药风险，对推动泌尿外科围手术期管理具有重要临床意义。