《Pediatric Critical Care Medicine》:Multisite Venovenous Extracorporeal Membrane Oxygenation in Pediatric Patients Under 15 kg: Three-Center, Analysis of Surgical Versus Percutaneous Approach and Thrombosis Risk, 2017–2024
编辑推荐:
本文回顾性分析了2019-2022年来自美国四家儿童心脏中心的1100例患者数据,开发并外部验证了40种机器学习(ML)模型,用于预测心脏手术相关急性肾损伤(CS-AKI)。研究显示,任何阶段和严重(KDIGO 2/3期)CS-AKI的发生率分别为49.1%和23.1%。模型预测性能(如AUROC)在不同中心间差异显著,凸显了ML模型泛化面临的挑战。SHAP分析确定术前血清肌酐(Cr)、体外循环(CPB)时间、主动脉阻断时间、体重和手术年龄为CS-AKI最重要的预测因子。研究表明,ML模型在临床应用中需结合本地实践进行优化。
研究背景
心脏手术是治疗许多儿童心脏病的救命措施,但其伴随显著风险,其中心脏手术相关急性肾损伤(CS-AKI)是常见且严重的并发症。近期基于NEPHRON和PC4登记数据库的报告显示,特定手术后CS-AKI的患病率可超过50%。CS-AKI的发生与院内死亡率增加、住院时间延长和机械通气时间延长显著相关。传统的CS-AKI预测方法因定义不一、队列异质性、样本量小、验证有限以及缺乏公认的生物标志物而效果不一。机器学习(ML)模型能够检测复杂的非线性模式,有望整合到临床工作流程中进行实时风险评估,但在新生儿和儿童中的外部验证研究尚存空白。
研究方法
本研究为一项多中心回顾性队列研究,数据来源于2019年1月至2022年2月期间向美国儿科心脏重症监护联盟(PC4)登记处提交数据的四家美国医院。研究纳入了年龄7天至18岁、接受心脏手术且手术类别(STAT标准)≥3级或接受Fontan手术的患者。排除了年龄小于7天及接受常规预防性腹膜透析(PD)的患者。主要结局指标为术后7天内发生的任何阶段CS-AKI和严重(KDIGO 2期或3期)CS-AKI,均依据KDIGO血清肌酐标准定义。
研究采用了两种数据集划分方法:1)将三个中心的数据合并为训练集,第四个中心作为外部验证集,共形成四对训练-验证集;2)将整个数据集按4:1比例随机分为训练集和验证集,并进行十倍交叉验证,形成第五对训练-验证集。共开发了40个ML模型,使用了四种ML算法(LightGBM、XGBoost、CatBoost、Histogram Gradient Boosting)来预测两个主要结局,输入变量包括17项术前、术中和术后即刻变量。使用SHapley Additive exPlanations(SHAP)进行特征重要性分析。
研究结果
最终分析队列包含1100名患者。任何阶段CS-AKI和严重CS-AKI的发生率分别为49.1%和23.1%。各中心在患者年龄、体重、手术复杂性(如STAT类别、CPB时间、主动脉阻断时间)以及术后管理(如手术室拔管率、PCICU入住时正性肌力药支持)等方面存在显著差异。CS-AKI的发生率在各中心间也各不相同。
机器学习模型预测性能存在显著变异。对于任何阶段CS-AKI的预测,外部验证的AUROC范围在0.64至0.83之间,敏感性在0.29至0.86之间,特异性在0.46至0.95之间。对于严重CS-AKI的预测,AUROC范围在0.65至0.77之间,敏感性在0.04至0.58之间,特异性在0.77至0.99之间。当在整个数据集上进行交叉验证时,模型性能相对更稳定,但不同算法间仍有差异。
SHAP特征重要性分析显示,预测任何阶段CS-AKI最重要的五个变量是:较低的术前血清肌酐水平、较长的CPB持续时间、较长的主动脉阻断时间、手术时体重以及STAT 4级类别。预测严重CS-AKI最重要的五个变量是:较低的术前血清肌酐水平、较长的CPB持续时间、较小的手术年龄、较长的主动脉阻断时间以及手术时体重。共线性分析表明,尽管手术年龄和体重之间存在强相关性(r = 0.93),但方差膨胀因子(VIF)低于阈值10,表明不存在严重的共线性问题。
讨论
本研究利用2019-2022年的PC4队列,揭示了ML模型预测CS-AKI的性能在不同外部验证中心/数据中存在显著变异。这种性能上的广泛差异提示在应用外部开发的ML模型时需要保持谨慎。模型预测能力的变异可能源于患者群体的差异,但更可能归因于各中心在术前、术中和术后管理策略上的异质性。
本研究结果与先前的一些研究既有相似之处,也存在差异。一项来自中国(2015-2022年)的三中心研究报告了较高的AUROC,但其CS-AKI患病率较低,且未包含新生儿。本研究中观察到的术前血清肌酐水平较低与CS-AKI风险较高相关的现象,在其他儿科ML研究中也有报道,这可能与液体超负荷导致肌酐稀释或危重心脏病儿童肌肉量低导致基线肌酐水平低有关。
CS-AKI诊断本身的金标准——血清肌酐——可能受到与肾脏疾病无关的因素(如改良超滤)的影响,这增加了早期诊断和模型预测的复杂性。未来的研究可以通过整合更精细的诊断标准(如AKI亚表型分析)、纳入更多潜在重要变量(如术中术后血流动力学、心脏骤停事件、肾毒性药物暴露)以及使用更大的训练数据集来提高ML模型的预测准确性和鲁棒性。LightGBM算法在本研究中表现出相对较好的性能。前瞻性地在真实临床环境中测试模型性能对于评估其实际效用和推动临床整合至关重要。
结论
这项回顾性四中心研究强调了ML模型在不同中心识别CS-AKI方面性能的变异性。观察结果凸显了研究结果泛化所面临的挑战,因为不同心脏外科中心的实践和人群确实存在差异。因此,在实施ML模型预测CS-AKI之前,评估本地实践至关重要。