基于乳酸动态变化与入院前临床变量的LSTM模型预测ICU患者急性肾损伤风险

《BMC Medical Informatics and Decision Making》：Integrating dynamic lactate trends and clinical variables using an LSTM deep learning model to predict acute kidney injury in ICU patients

　　

摘要

背景

急性肾损伤（AKI）在重症患者中较为常见，并且与较高的发病率和死亡率相关。血清乳酸水平能够反映全身灌注和代谢紊乱的情况；然而，时间分辨的乳酸动态变化是否能够改善早期AKI风险的预测仍有待明确。

方法

我们使用了MIMIC-IV重症监护数据库进行了一项回顾性研究。该研究创建了一个LSTM模型，整合了患者入住ICU前一周的乳酸动态变化数据以及入院前可获得的临床预测因子，以预测从入住ICU到出院期间是否会发生AKI。所有预测因子均是在入院前收集的，未使用任何出院后或AKI发生后的数据。患者被分为训练集（n=2,720）、验证集（n=778）和独立测试集（n=389）。我们将该模型的性能与LightGBM、XGBoost和Random Forest进行了比较，所有模型都使用相同的信息集。通过ROC-AUC、PR-AUC、Brier评分、自助法95%置信区间、校准截距和斜率、校准图以及决策曲线分析来评估模型的区分能力、校准效果和临床实用性。

结果

在3,887名ICU患者中，有1,845人（47.5%）在入住ICU到出院期间发生了AKI。在独立测试集中，LSTM模型的ROC-AUC为0.808（95%置信区间：0.764–0.851），PR-AUC为0.802（95%置信区间：0.747–0.855），Brier评分为0.187（95%置信区间：0.171–0.202）。XGBoost的ROC-AUC和PR-AUC最高（分别为0.815），但Brier评分最低（0.185），不过其自助法置信区间与LSTM和Random Forest的置信区间有部分重叠。在验证确定的阈值约为0.453时，LSTM模型的敏感性为0.832，特异性为0.632。 subgroup分析显示结果存在异质性，且置信区间范围较广且存在重叠。对于院内死亡率，重新计算的PR-AUC为0.737。

结论

将乳酸动态变化与入院前的临床变量结合起来进行建模，有助于区分患者从入住ICU到出院期间是否会发生AKI。LSTM模型的表现与一些强大的基于树的模型相当，但并未始终优于这些模型。这些发现支持进一步的研究，但在临床应用之前，还需要进行时间验证、外部验证以及对与阈值相关的临床措施的前瞻性评估。

背景

急性肾损伤（AKI）在重症患者中较为常见，并且与较高的发病率和死亡率相关。血清乳酸水平能够反映全身灌注和代谢紊乱的情况；然而，时间分辨的乳酸动态变化是否能够改善早期AKI风险的预测仍有待明确。

方法

我们使用了MIMIC-IV重症监护数据库进行了一项回顾性研究。该研究创建了一个LSTM模型，整合了患者入住ICU前一周的乳酸动态变化数据以及入院前可获得的临床预测因子，以预测从入住ICU到出院期间是否会发生AKI。所有预测因子均是在入院前收集的，未使用任何出院后或AKI发生后的数据。患者被分为训练集（n=2,720）、验证集（n=778）和独立测试集（n=389）。我们将该模型的性能与LightGBM、XGBoost和Random Forest进行了比较，所有模型都使用相同的信息集。通过ROC-AUC、PR-AUC、Brier评分、自助法95%置信区间、校准截距和斜率、校准图以及决策曲线分析来评估模型的区分能力、校准效果和临床实用性。

结果

在3,887名ICU患者中，有1,845人（47.5%）在入住ICU到出院期间发生了AKI。在独立测试集中，LSTM模型的ROC-AUC为0.808（95%置信区间：0.764–0.851），PR-AUC为0.802（95%置信区间：0.747–0.855），Brier评分为0.187（95%置信区间：0.171–0.202）。XGBoost的ROC-AUC和PR-AUC最高（分别为0.815），但Brier评分最低（0.185），尽管其自助法置信区间与LSTM和Random Forest的置信区间有部分重叠。在验证确定的阈值约为0.453时，LSTM模型的敏感性为0.832，特异性为0.632。 subgroup分析显示结果存在异质性，且置信区间范围较广且存在重叠。对于院内死亡率，重新计算的PR-AUC为0.737。

结论

将乳酸动态变化与入院前的临床变量结合起来进行建模，有助于区分患者从入住ICU到出院期间是否会发生AKI。LSTM模型的表现与一些强大的基于树的模型相当，并未始终优于这些模型。这些发现支持进一步的研究，但在临床应用之前，还需要进行时间验证、外部验证以及对与阈值相关的临床措施的前瞻性评估。