《Frontiers in Neurology》：Integrating 72-h BUN/Cr trajectories with interpretable machine learning for 28-day mortality after acute stroke: a dual-center landmark study
编辑推荐：
专业术语翻译的论文摘要
背景： 血尿素氮与肌酐比值（BUN/Cr）可能反映肾灌注和全身应激状态，但其在急性卒中后的早期演变尚不明确。研究人员识别了72小时BUN/Cr轨迹，并评估其在可解释机器学习评估28天死亡率中的作用。
方法： 这项双中心标志性研究纳入了来
专业术语翻译的论文摘要
背景： 血尿素氮与肌酐比值（BUN/Cr）可能反映肾灌注和全身应激状态，但其在急性卒中后的早期演变尚不明确。研究人员识别了72小时BUN/Cr轨迹，并评估其在可解释机器学习评估28天死亡率中的作用。
方法： 这项双中心标志性研究纳入了来自重症监护医学信息数据库IV（MIMIC-IV）3.1版的2,805例急性缺血性卒中、非创伤性脑出血或非创伤性蛛网膜下腔出血的重症监护病房（ICU）患者。建模前，患者被分为训练集（n=1,964）和内部测试集（n=841）。在训练集中开发的轨迹和预测模型未经修改地应用于内部测试集和青海外部验证队列（n=387）。使用Cox回归、区分度、校准度、配对比较、决策曲线分析和TreeSHAP对八种算法和预设的嵌套模型进行了评估。
结果： 二次三项模型识别出低/稳定型、高U型和上升至平台型三种模式，死亡率分别为21.6%、35.9%和39.7%。与第1类相比，第2类的调整后风险比（HR）为1.87（95%置信区间[CI] 1.25–2.79），第3类为1.73（1.31–2.29）。训练选定的轻量级梯度提升机（LightGBM）在内部测试集中实现了0.734的受试者工作特征曲线下面积（AUROC）（95% CI 0.695–0.773）、0.894的校准斜率和1.015的观察值与预期值比率（O/E比）。在青海外部验证队列中，AUROC为0.624（95% CI 0.559–0.689），校准斜率为0.459，O/E比为1.920。将轨迹类别添加到已包含常规临床和静态肾脏变量的模型中，在内部测试集中使AUROC改变了0.003（p=0.515），在青海外部验证队列中改变了-0.014（p=0.130），未观察到明确的区分度增益。
结论： BUN/Cr轨迹与标志点后死亡率相关，并概括了三天的肾脏病程。训练选定的LightGBM显示出中等程度的内部区分度，并接受了冻结的外部评估。轨迹类别在常规临床和静态肾脏变量之外提供了适度的增量信息，而组合方法为72小时重新评估提供了一个可解释的框架。
论文主体内容解读文章
研究背景
卒中是导致死亡和长期残疾的主要原因之一。入住重症监护病房（ICU）的急性卒中患者常伴有意识障碍、血流动力学不稳定、代谢紊乱、感染和多器官功能障碍，其短期预后既反映神经损伤，也体现机体对急性脑损伤的系统性反应。自主神经激活、炎症、内皮功能障碍和灌注改变会影响肾脏及其他器官，而卒中后急性肾损伤本身也与不良结局相关。因此，描述这些早期变化的常规可用标志物可能为ICU病程中的风险再评估提供有用信息。
血尿素氮（BUN）和肌酐（Cr）反映相关但不同的生理过程。Cr主要受肾小球滤过、肌肉质量、生成速率和稀释影响，而BUN还额外受肾灌注、肾小管重吸收、神经激素激活、蛋白质分解代谢和容量状态的影响。因此，血尿素氮与肌酐比值（BUN/Cr）可能捕捉到单一测量指标无法完全代表的肾脏和全身应激状态。既往卒中研究将入院或首日较高的BUN/Cr值与短期死亡率或不良功能结局相关联。然而，单一时间点无法显示该比值在随后的72小时内是否保持稳定、波动或持续变化。研究人员假设，ICU前三天内的重复BUN/Cr测量可以定义具有预后意义的病程，并将这些病程与可解释机器学习相结合，用于72小时标志点的结构化评估。
该研究旨在解决三个问题：首先，能否在训练队列中推导出一个简洁的BUN/Cr轨迹模型，并在不重新拟合的情况下应用于内部测试集和青海外部验证队列？其次，由此产生的模式是否与72小时标志点后的死亡率相关，并且这种关联在不同的轨迹规格和卒中亚型分析中是否仍然显著？第三，轨迹类别是否在常规临床和静态肾脏测量指标之外增加了增量预测信息？
主要技术方法
这是一项回顾性双中心队列研究，采用预设的72小时标志点设计。开发数据来自重症监护医学信息数据库IV（MIMIC-IV）3.1版，外部验证队列来自青海省人民医院。研究人员通过诊断记录筛选出因急性缺血性卒中、非创伤性脑出血（ICH）或非创伤性蛛网膜下腔出血（SAH）入住ICU的成年患者。最终严格的三窗口标志点队列包括2,805例MIMIC-IV患者和387例青海患者。主要技术方法包括：使用潜类别混合模型（lcmm）进行训练集内轨迹建模，通过计算后验概率进行样本外轨迹类别分配，采用最小绝对收缩和选择算子（LASSO）进行特征选择，应用轻量级梯度提升机（LightGBM）等八种算法进行预测模型开发，并使用TreeSHAP进行模型解释。性能评估涵盖区分度（AUROC）、校准度和决策曲线分析等多个维度。
研究结果
1. 队列流动与跨中心特征
在MIMIC-IV的7,417例急性卒中记录中，经筛选最终获得2,805例标志点队列，其中657例（23.4%）发生28天死亡。青海队列共387例，98例（25.3%）死亡。两组患者的病例构成存在显著差异：青海患者更年轻、男性比例更高、出血性卒中占比更高、初始格拉斯哥昏迷评分（GCS）更低、序贯器官衰竭评估（SOFA）评分更高，表明两个中心的病情严重程度和疾病谱存在实质性不同。
2. 轨迹模型选择与分类质量
在14个预设候选模型中，七个满足预设充分性标准。二次三项模型被选为主要模型，其熵值为0.868，95.2%的患者最大后验概率≥0.70，最小类别占训练患者的3.26%，最低类别特异性平均后验概率为0.852。四类和五类解决方案虽然进一步降低了贝叶斯信息准则（BIC），但熵值和分类确定性有所下降。
3. 轨迹表型与样本外可重复性
在MIMIC-IV联合队列中，第1类（低/稳定型）包含2,499例（89.1%），BUN/Cr比值保持较低水平；第2类（高U型）包含92例（3.3%），呈现先降后升的U形趋势；第3类（上升至平台型）包含214例（7.6%），从较高水平继续上升后维持在高位。在青海外部队列中，固定参数分配同样保留了这三种模式的广泛排序，后验概率均较高，支持了表型的样本外可识别性。
4. 轨迹类别与死亡率
死亡率从第1类的21.6%上升至第2类的35.9%和第3类的39.7%。Kaplan-Meier曲线在标志点后即出现分离。在预设调整的Cox模型中，与第1类相比，第2类的风险比（HR）为1.87（95% CI 1.25–2.79），第3类为1.73（95% CI 1.31–2.29）。比例风险假设检验未显示轨迹类别效应存在明显的时间变化。
5. 不同轨迹规格和卒中亚型的稳健性
轨迹与卒中亚型的交互作用p值为0.383，未发现明确的效应修饰。所有七个合格的轨迹规格均显示全局轨迹类别检验显著，表明主要结论不依赖于特定的二次三项模型。
6. 训练集内算法选择
在三次重复的五折交叉验证中，LightGBM达到最高平均AUROC（0.740184），且是唯一超过预设一个标准误候选规则的算法，因此被固定为主要模型。
7. 内部验证与临床评分比较
在内部测试集中，LightGBM M2模型的AUROC为0.734（95% CI 0.695–0.773），校准截距为0.022，斜率为0.894，表明平均风险估计准确但预测风险略有过度分散。与简化急性生理学评分II（SAPS II）和SOFA评分相比，LightGBM表现出更好的区分度。
8. 肾脏测量和轨迹类别的增量贡献
内部测试中，M0、M1和M2的AUROC分别为0.730、0.731和0.734。M2与M1的AUROC差异仅为0.003（p=0.515），Brier分数差异为0.00006，表明在已有常规临床变量和静态肾脏变量后，增加轨迹类别并未实质性地改善风险排序或概率准确性。
9. TreeSHAP解释
年龄的平均绝对SHAP贡献最大（0.487），其次是葡萄糖（0.296）、谵妄状态（0.207）、总钙（0.189）、首24小时尿量（0.149）、白细胞计数（0.141）和T1 BUN（0.127）。轨迹类别的SHAP贡献相对较低，与其在增量预测分析中的表现一致。
10. 外部验证
在青海队列中，LightGBM M2的AUROC降至0.624（95% CI 0.559–0.689），校准斜率为0.459，观察值与预期值比率（O/E比）为1.92，表明模型在该中心普遍低估了风险。M2与M1的AUROC差异为-0.014（p=0.130），未显示轨迹类别的外部预测增益。
讨论总结
研究人员将主要发现归纳为四个步骤：首先，训练集中开发的固定三类模型在内部和外部患者中均识别出低/稳定、高U型和上升至平台型BUN/Cr病程。其次，后两种模式与72小时标志点后的更高死亡率相关，且全局关联在所有七个合格轨迹规格中均保持一致。第三，训练选定的LightGBM在内部测试中显示出中等区分度和合理校准度；直接的M2与M1比较表明，轨迹类别虽概括了三天的病程，但与静态肾脏和其他临床变量共享了大量患者层面的预测信息。最后，青海评估证实固定轨迹模型能够对新患者进行分类，同时显示完整风险模型的区分度和校准度在不同病例组合下发生了变化。
研究优势包括：开发与验证的顺序严谨，患者拆分先于潜类别混合模型（LCTM）拟合；使用独立于结局的标准从14个候选中选择最终类别结构；嵌套的M0/M1/M2架构直接测试了轨迹类别的增量价值；双中心设计同时评估了固定轨迹分配的重复性和完整风险模型在不同病例组合下的表现。
局限性包括：72小时标志点和完整测量要求定义了条件性人群，研究结果适用于在72小时仍可观察且具有完整T1-T3测量的患者；亚型分析中某些高风险亚组患者数量有限；缺乏影像学病变特征、详细治疗强度和时间依赖性治疗暴露数据；外部验证仅在单个区域中心进行。
研究结论翻译
在72小时仍可观察的急性卒中ICU患者中，高U型和上升至平台型BUN/Cr轨迹与更高的28天死亡率相关。年龄较大、血糖升高、谵妄、总钙降低、尿量减少、白细胞计数升高和T1 BUN升高共同构成了模型使用的主要风险信息。整合临床、生化和轨迹特征的LightGBM显示出中等程度的内部区分度，并接受了冻结的外部评估。BUN/Cr轨迹为72小时再评估提供了一个直观的动态肾脏信号；然而，一旦纳入常规临床和静态肾脏变量，轨迹类别提供的额外预测贡献较为有限。
