《Frontiers in Medicine》：Optimal prediction of peritoneal dialysis to hemodialysis transition: a penalized fine-gray model
编辑推荐：
背景：传统Cox比例风险模型高估了从腹膜透析（peritoneal dialysis，PD）转至血液透析（hemodialysis，HD）的进展风险。本研究旨在利用竞争风险模型筛查高危转换人群。
方法：在这项多中心回顾性队列研究中，研究人员纳入年龄≥16岁且规
背景：传统Cox比例风险模型高估了从腹膜透析（peritoneal dialysis，PD）转至血液透析（hemodialysis，HD）的进展风险。本研究旨在利用竞争风险模型筛查高危转换人群。
方法：在这项多中心回顾性队列研究中，研究人员纳入年龄≥16岁且规律接受PD治疗超过1个月的患者；从PD转至HD为目标事件。当死亡被视为竞争事件时，研究人员采用原因别比例风险（cause-specific proportional hazards，CSH）模型和Fine-Gray模型进行多变量分析，同时建立传统LASSO-Cox模型以作比较。使用时间依赖性曲线下面积（area under the curve，AUC）和一致性指数（concordance index，C-index）曲线评估模型性能。确定最佳模型后，构建PD转HD在3年、6年和9年时间点的累积发生率列线图。
结果：研究人员纳入700例有效样本，按7:3随机分配至训练集（n=491）和测试集（n=209）。惩罚Fine-Gray模型被确定为最优模型（AUC：0.716，C-index：0.662）。体重指数、腹膜炎住院史和营养相关参数被确定为从PD转HD的最佳预测因子。惩罚Fine-Gray模型在3年、6年和9年的AUC值分别为0.675、0.715和0.714。研究人员基于惩罚Fine-Gray模型构建了3年、6年和9年列线图，该列线图显示出显著的临床实用性。
结论：惩罚Fine-Gray模型是预测PD至HD转换的最佳选择，基于该模型构建的列线图表现出良好的临床适用性。
论文解读：基于惩罚Fine-Gray模型的腹膜透析转血液透析转换预测研究
腹膜透析（peritoneal dialysis，PD）是慢性肾衰竭患者常用的肾脏替代治疗方式，在亚洲有超过90万患者，预计2030年将增加三倍。然而，约20%–35.7%的PD患者会因腹膜炎、导管功能障碍、透析充分性不足等原因转为血液透析（hemodialysis，HD）。PD转HD后患者在第一个月的粗死亡率高达30%–60%患者年，24个月后死亡率仍达25%，且HD治疗费用显著高于PD。因此，早期识别高危转换人群对于实施精准分层管理和预防性干预具有重要意义。传统Cox比例风险模型仅关注PD至HD转换，将死亡视为删失事件，会高估转换风险。实际上，PD患者结局中，转HD、死亡和无事件在随访期内构成互斥的竞争结局，因此需要采用竞争风险模型进行分析。本研究旨在利用原因别比例风险（cause-specific proportional hazards，CSH）模型和Fine-Gray模型等竞争风险模型，探索PD转HD的早期危险因素，构建最优预测模型，并开发列线图以指导临床实践。
研究人员采用多中心回顾性队列研究，数据来自重庆医科大学大坪医院、开州区人民医院和永川医院三个透析中心，收集2007年8月至2025年9月期间首次接受PD治疗的患者资料。最终纳入700例有效患者，按7:3随机分为训练集（n=491）和测试集（n=209）。纳入标准包括年龄≥16岁、确诊慢性肾衰竭且规律PD治疗>1个月；排除了急性肾损伤、肾移植和失访患者。研究人员建立原因别比例风险（CSH）模型和Fine-Gray模型，分别结合最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）、平滑剪切绝对偏差（smoothly clipped absolute deviation，SCAD）、极小极大凹惩罚（minimax concave penalty，MCP）等惩罚回归以及机器学习boosting进行特征选择；同时建立传统LASSO-Cox模型作为比较。使用时间依赖性AUC和C-index曲线评估模型性能，并基于最优模型构建3年、6年、9年累积发生率列线图。
在CSH模型中，研究人员结合LASSO回归进行特征选择，结果显示性别、教育水平、体重指数（body mass index，BMI）、因腹膜炎住院史和营养相关参数与PD转HD风险显著相关。其中教育水平>6年和营养状态良好为保护因素；男性、较高BMI和腹膜炎住院史为危险因素。在Fine-Gray模型中，采用LASSO、SCAD、MCP惩罚回归和boosting两种特征选择方法构建模型，结果显示年龄、BMI、泌尿外科手术史、血液透析史、腹膜炎住院史和营养相关参数与PD转HD的实际发生风险显著相关，其中年龄较大、曾有HD史和良好营养状态为保护因素，而较高BMI、泌尿外科手术史和腹膜炎住院史为危险因素。在LASSO-Cox模型中，发现性别、教育水平、BMI、降糖药物使用、腹膜炎住院史和营养参数与PD转HD相关，高教育水平和良好营养状态为保护因素，男性、高BMI、使用降糖药和腹膜炎住院史为危险因素。
通过比较时间依赖性AUC和C-index，惩罚Fine-Gray模型在训练集平均AUC为0.716、C-index为0.662，在测试集平均AUC为0.689、C-index为0.646，均优于CSH模型、boosting Fine-Gray模型和LASSO-Cox模型，且纳入特征数较少，显示出更好的泛化能力和临床适用性。在3年、6年、9年时间点上，训练集AUC分别为0.675、0.715、0.714，测试集AUC分别为0.667、0.671、0.713；校准曲线显示模型预测概率与实际发生率具有较好一致性。此外，研究人员对最优模型进行了比例亚分布风险（proportional subdistribution hazards，PSH）假设诊断，发现部分协变量违反假设，按营养状态分层的探索性模型虽部分满足假设，但泛化性不稳定，因此仍保留主模型作为最终方案。基于惩罚Fine-Gray模型构建的列线图可直观量化各预测因子对PD转HD风险的贡献，并估计个体3年、6年和9年累积转换风险。按列线图总分的三分位数将患者分为低、中、高风险组，在测试集中绘制累积发生率函数（cumulative incidence function，CIF）曲线，Gray's检验显示组间目标事件（P<0.001）和竞争事件（P=0.013）的累积发生率差异显著，高风险组转换发生率最高，低风险组最低，证明了列线图具有良好的风险分层能力。研究人员还依据风险分层提出了临床行动策略，例如低风险患者可继续标准PD护理并每3–6个月随访，高风险患者需多学科评估和早期HD通路规划。
讨论部分总结了研究发现：所有模型均将BMI、腹膜炎住院史和营养相关参数视为显著预测因子。腹膜炎是PD的严重并发症，可直接导致PD技术失败，也可通过损伤腹膜功能而逐渐导致技术失败；高BMI增加腹膜炎和残余肾功能丧失风险；营养不良损害免疫功能和组织修复能力，增加腹膜炎风险。此外，年龄、教育水平、泌尿外科手术史和HD史也是预测因子，年轻患者可能因社会压力、依从性等问题更早转HD；低教育水平与治疗依从性差有关；泌尿外科疾病患者常合并多种疾病；而既往HD史可能反映患者对透析流程更熟悉、依从性更好，从而表现为“保护”作用。研究优点在于采用更符合结局特征的竞争风险分析，利用CRITIC加权法构建复合域评分以减轻共线性，并通过多种模型优化方法确定最简洁且预测性能好的惩罚Fine-Gray模型。局限性包括单中心回顾性设计、部分指标缺失率较高、未纳入随访期间的动态变化以及PSH假设的部分违反。结论：惩罚Fine-Gray模型最终被确定为预测PD至HD转换的最佳工具，基于该模型构建的列线图具有良好的临床适用性。未来研究应聚焦于多中心前瞻性验证，并纳入动态随访指标以进一步提高预测模型的临床效用。
