《Renal Failure》:Preoperative serum Raman spectroscopy and machine learning for predicting postoperative acute kidney injury after acute type A aortic dissection
编辑推荐:
本刊推荐:本研究创新性地整合术前血清拉曼光谱技术与多种机器学习算法,成功构建并验证了用于预测急性A型主动脉夹层(ATAAD)患者全主动脉弓置换术(TAAR)后急性肾损伤(AKI)风险的预测模型。该模型结合了传统生化指标(如肌酐、胱抑素C等)与特异性拉曼峰强度(505、947、1208 cm?1),逻辑回归模型在测试集中曲线下面积(AUC)达0.848,显示出卓越的预测性能与临床转化潜力,为ATAAD患者术后AKI的早期预警和个性化干预提供了新策略。
引言
急性A型主动脉夹层(ATAAD)是一种极其危重的心血管疾病,年发病率为每10万急诊患者4-6例。急诊心脏手术是其主要治疗手段,但术后并发症,尤其是急性肾损伤(AKI),发生率高达26%-72%,严重影响患者预后。AKI的临床表现可从轻度肾功能不全到需要肾脏替代治疗(RRT)的严重肾衰竭。因此,对ATAAD患者术后AKI进行早期识别和干预至关重要。传统预测模型多依赖多时间点的指标,预测时效性和成本受限。拉曼光谱作为一种基于非弹性光散射的强大光谱技术,具有检测快速、无需样品预处理、可无创应用等优点,结合人工智能(AI)和机器学习(ML),在危重护理肾病学中展现出早期预测和个性化管理的变革潜力。本研究旨在首次整合术前血清拉曼光谱与机器学习算法,开发并验证一种新型预测模型,用于术前识别ATAAD术后AKI高风险患者。
方法
研究人群
本研究为一项单中心前瞻性研究,经西安交通大学第一附属医院研究伦理委员会批准。纳入了2021年7月至2023年3月期间在本院接受TAAR手术的ATAAD患者。排除标准包括:术前血肌酐水平超过353.6 μmol/L或存在慢性肾脏病;过去一个月内接受过慢性或术前急诊透析;术前或术后肌酐结果缺失及数据不完整。最终共396例患者入组。
定义
以入院后首次测得的血清肌酐值作为基线。主要观察终点为术后AKI的发生,采用改善全球肾脏病预后组织(KDIGO)标准定义:48小时内肌酐绝对增加≥26.4 μmol/L,或7天内增加≥50%,或尿量减少(记录为尿量<0.5 mL/kg/h持续>6小时)。
拉曼光谱分析方法
采集所有入组患者的术前血清样本,于-80°C保存。使用特制的平面金箔玻璃片作为基底,将1 μL血清样本点样并空气干燥。采用配备532 nm He-Ne激光器和20倍显微镜物镜的共聚焦显微拉曼光谱系统采集400-1800 cm?1范围内的拉曼光谱(“生化指纹区”)。每个样本采集三条独立光谱并计算平均光谱。原始光谱经过Savitzky-Golay滤波平滑、非对称最小二乘(ALS)基线校正和面积归一化等预处理。
预测模型的构建与评估
候选预测因子包括术前生化指标和具有统计学差异的拉曼峰强度。首先采用最小绝对收缩和选择算子(LASSO)回归进行变量筛选,并对连续数据进行Z-score标准化。将数据集按7:3的比例随机分为训练集和测试集。构建多种机器学习模型(如XGBoost、逻辑回归、LightGBM、随机森林等),并通过10折交叉验证进行超参数调优。使用受试者工作特征曲线(ROC)、曲线下面积(AUC)、决策曲线分析(DCA)、校准曲线和精确率-召回率曲线(PR曲线)评估模型性能。利用SHAP(Shapley Additive exPlanations)框架对最优模型进行解释,阐明特征重要性及其对预测的贡献。所有分析均遵循TRIPOD-AI声明。
结果
患者特征
最终纳入分析的396例患者中,222例(56.1%)发生术后AKI,其中81例(36.0%)需要RRT。与非AKI组相比,AKI组患者术前血清肌酐、尿素氮、胱抑素C、肌红蛋白、D-二聚体、中性粒细胞计数、血小板计数、血糖、二氧化碳结合力(CO2cp)等指标显著更高,且手术时间、体外循环时间更长,术中输血量更大,术后APACHE II评分更高,ICU停留时间和总住院时间更长。
拉曼光谱分析
比较非AKI组和AKI组的平均拉曼光谱,发现在423、505、947、1208和1603 cm?1等处的峰强度存在显著统计学差异。其中,505 cm?1(S-S伸缩,与富含L-精氨酸蛋白质的二硫键有关)、947 cm?1(C-C伸缩,与脯氨酸、缬氨酸及α-螺旋骨架有关)和1208 cm?1(酰胺III/L-色氨酸)的峰强度在AKI组中显著降低,反映了氧化应激、代谢改变和蛋白水解等早期病理生理变化。
特征筛选与模型比较
从20个候选预测因子中,LASSO回归筛选出12个变量。进一步通过逻辑回归确定最终9个特征因子,按其重要性排序为:947 cm?1拉曼峰强度、CO2cp、血小板计数、505 cm?1拉曼峰强度、胱抑素C、肌酐、1208 cm?1拉曼峰强度、中性粒细胞计数、血糖。在多种机器学习模型中,逻辑回归模型在测试集上表现最优,AUC为0.848(95% CI: 0.777–0.918),灵敏度72.1%,特异度79.6%。DCA和校准曲线显示其具有良好的临床适用性和预测准确性。
模型解释与临床效用
SHAP分析直观展示了各特征对预测结果的贡献。拉曼峰强度(505、947、1208 cm?1)和CO2cp、血小板计数的降低,以及肌酐、胱抑素C、中性粒细胞计数、血糖的升高,均会增加ATAAD患者术后AKI的风险。通过典型病例分析,进一步验证了模型对个体患者风险预测的可靠性和可解释性。
讨论
本研究的关键发现在于,术前特定的拉曼峰强度(505、947、1208 cm?1)与传统生化标志物结合,能够准确预测ATAAD患者术后AKI的发生。拉曼光谱提供了反映氧化还原失衡、炎症反应和蛋白代谢紊乱的分子水平信息,弥补了传统生化指标仅能反映浓度变化的不足。逻辑回归模型展现出优异的预测性能,为术前快速识别高危患者、及时启动肾脏保护措施(如适时水化、远程缺血预处理、避免肾毒性药物等)提供了有力工具。本研究也存在局限性,主要为单中心设计,未来需要通过多中心前瞻性研究进行外部验证,并探索将预测模型与实时AI监测系统整合,实现围术期动态风险评估。
结论
本研究成功构建了一个整合术前血清拉曼光谱和机器学习算法的早期预测模型,用于预测ATAAD患者TAAR术后AKI风险。该模型基于CO2cp、血小板计数、胱抑素C、肌酐、中性粒细胞计数、血糖以及505、947、1208 cm?1拉曼峰强度等9个特征因子,逻辑回归模型表现出色。这一创新方法为ATAAD术后AKI的早期、便捷、快速识别和个性化干预提供了新途径,有望改善患者预后。