基于机器学习分析连续肾脏替代治疗患者72小时尿量变异性预测28天肾功能恢复的回顾性队列研究

《Critical Care》：72-hour hemodynamic and urine output trajectories predict renal recovery in continuous kidney replacement therapy: a machine learning approach

　　

摘要

背景

预测接受连续肾脏替代治疗（CKRT）患者的肾功能恢复仍然具有挑战性。在CKRT启动时进行的传统单次时间点血流动力学评估已显示出有限的预后价值。本研究探讨72小时内血流动力学和尿量（UO）轨迹通过机器学习分析是否能改善对28天肾功能恢复的预测。

方法

这是一项单中心回顾性队列研究，纳入了331次CKRT治疗过程（318名患者）。肾功能恢复定义为在CKRT启动后28天内成功停用CKRT且至少72小时内无需肾脏替代治疗。第一阶段使用Cox模型和Fine-Gray模型评估第0天变量。第二阶段开发了机器学习模型（逻辑回归、XGBoost、双向LSTM），使用来自72小时平均动脉压（MAP）、收缩压（SBP）、舒张压（DBP）、心率（HR）和尿量时间序列数据的104个工程化特征。通过5折分层交叉验证和自助法95%置信区间评估模型性能，并采用SHAP分析提高可解释性。

结果

331次治疗过程中，71次（21.5%）实现了肾功能恢复。在第一阶段，第0天尿量在单变量（HR = 1.010/每100 mL/天；p = 0.135）和多变量Cox回归（HR = 1.004/每100 mL/天；p = 0.573）中均无统计学显著性，在Fine-Gray竞争风险模型中亦不显著（sHR = 1.006；p = 0.385）；慢性肾脏病指数（CCI）（HR = 0.715）和序贯器官衰竭评分（SOFA）（HR = 0.783）是最强的预测因子（C指数 = 0.776）。在第二阶段，XGBoost联合模型（第0天 + 72小时特征）达到了AUC 0.848（95% CI，0.765–0.890），而仅基于基线的XGBoost为0.762（DeLong p = 0.035）。SHAP分析识别出晚期阶段（36–72小时）尿量变异性（UO_late_std）为主要预测因子。由于有37例恢复和70例死亡发生在72小时内，里程碑敏感性分析仅限于224次仍在进行CKRT的治疗过程（34例恢复）：UO_late_std保留了区分能力（AUC 0.742），简约模型（SOFA、CCI、年龄、UO_late_std）达到0.801，而联合模型（0.682）和第0天模型（0.690）在该样本量下无法区分。

结论

第0天的血流动力学变量无法预测肾功能恢复，而前72小时内晚期阶段的尿量变异性是一个强有力的预测因子。该信号在72小时时仍在接受CKRT的患者中持续存在，尽管里程碑队列样本量不足以评估完整模型的增量价值。尿量的时间模式值得前瞻性验证。