围术期系统性炎症标志物动态变化结合机器学习预测膀胱癌根治术后急性肾损伤：一项多中心回顾性研究

本研究通过多中心回顾性数据分析，创新性地整合围术期系统性炎症标志物（NLR、PLR、LMR、SIRI、SII）的动态变化构建炎症指数，结合机器学习算法（XGBoost）建立预测模型（AUROC: 0.801），揭示了术后血红蛋白、白蛋白水平及术中输液速率与急性肾损伤（AKI）的独立关联，为优化膀胱癌根治术围术期管理提供重要依据。

　　

Abstract

本研究旨在探讨围术期系统性炎症标志物动态变化与根治性膀胱切除术后急性肾损伤（AKI）的关联，并通过机器学习算法评估其预测价值。通过多中心回顾性研究设计，整合术前术后外周血细胞计数计算炎症标志物变化，采用限制性立方样条（RCS）进行 categorization，构建围术期炎症指数。研究发现术后血红蛋白（OR 0.977）、白蛋白水平（OR 0.906）、术中输液速率（OR 0.769）和围术期炎症指数（OR 1.507）是AKI的独立预测因子，XGBoost模型表现出最优预测性能（AUROC 0.801）。

Introduction

根治性膀胱切除术（radical cystectomy）后AKI发生率高达10-40%，与慢性肾病和死亡率增加显著相关。既往研究表明围术期系统性炎症指标（NLR、PLR、LMR、SIRI、SII）与术后并发症相关，但动态变化对AKI的影响尚未明确。机器学习算法在预测术后AKI方面展现潜力，但缺乏针对膀胱切除术的多中心验证模型。

Materials and Methods

研究纳入2013-2022年间三家大学附属三级医院接受根治性膀胱切除术的膀胱癌患者。排除标准包括术前慢性肾病、数据不全等。收集 demographic 信息、实验室检查（术前7天至术后2天）、手术参数和术中管理指标。炎症标志物计算公式：NLR=中性粒细胞/淋巴细胞，PLR=血小板/淋巴细胞，LMR=淋巴细胞/单核细胞，SIRI=(中性粒细胞×单核细胞)/淋巴细胞，SII=(血小板×中性粒细胞)/淋巴细胞。AKI诊断采用AKIN标准（血肌酐升高≥26.5μmol/l或1.5倍基线值）。

Statistical Analysis

连续变量用中位数（IQR）表示，分类变量用频数（%）表示。按7:3比例随机分为训练集和验证集。采用RCS转换连续变量，通过多变量logistic回归识别风险因素。应用KNN、SVM、逻辑回归、决策树、RF、GBM和XGBoost等机器学习算法构建预测模型，通过5折交叉验证评估性能。使用AUROC、AUPRC和F1 score评价模型，SHAP值和DCA分析临床适用性。

Results

最终纳入727例患者，AKI发生率20.8%（151例）。训练集与验证集基线特征无显著差异。RCS分析显示NLR、PLR、LMR和SII动态变化与AKI显著相关。多变量分析确认术后血红蛋白（p=0.003）、白蛋白（p=0.007）、术中输液速率（p<0.001）和围术期炎症指数（p<0.001）为独立风险因素。XGBoost模型表现最佳（AUROC 0.801，敏感性84.1%，特异性64.6%），SHAP分析显示术中输液速率、术后血红蛋白/白蛋白、炎症指数等为关键预测因子。DCA表明模型在阈值概率0.1-0.7区间具有临床获益。

Discussion

研究首次系统评估围术期炎症标志物动态变化与膀胱切除术后AKI的关联，创新性提出围术期炎症指数概念。结果与既往研究一致，证实炎症反应失衡（SIRS）导致器官功能损害。术中输液速率过低可能通过组织灌注不足和血管收缩机制增加AKI风险，术后贫血和低蛋白血症反映氧输送能力和炎症调控能力下降。XGBoost模型的优异性能得益于其处理高维数据和特征选择的能力，DCA验证了临床实用性。研究局限性包括回顾性设计的 selection bias、未测量变量（如术中低血压）的影响和样本量相对较小。

Conclusion

围术期炎症标志物动态变化、术中液体管理和术后营养指标与根治性膀胱切除术后AKI密切相关。基于机器学习的预测模型可实现个体化风险评估，通过早期干预优化围术期管理，改善患者预后和医疗资源分配。