《Journal of Intelligent Medicine》：Early prediction of acute kidney injury in traumatic and non-traumatic rhabdomyolysis using an interpretable machine learning model: A multicenter study with external validation
编辑推荐：
急性肾损伤（AKI）是横纹肌溶解症（RM）的常见且严重并发症，由于其多因素和异质性，早期风险分层仍具有挑战性。研究人员开发并外部验证了一个可解释机器学习（ML）模型，用于早期预测创伤性和非创伤性病因的RM中的AKI。数据来自四个公共重症监护数据库和中国三级医院
急性肾损伤（AKI）是横纹肌溶解症（RM）的常见且严重并发症，由于其多因素和异质性，早期风险分层仍具有挑战性。研究人员开发并外部验证了一个可解释机器学习（ML）模型，用于早期预测创伤性和非创伤性病因的RM中的AKI。数据来自四个公共重症监护数据库和中国三级医院的多中心队列。推导队列共纳入1569名患者，外部验证队列401名。入院24小时内的18个变量用于训练12个ML模型。性能通过受试者工作特征曲线下面积（AUC）评估，并使用SHapley Additive Explanations（SHAP）评估可解释性。随机森林模型表现最佳（AUC=0.940），并被简化为一个五变量模型，包括乳酸脱氢酶（LDH）、血清肌酐（SCr）、白蛋白（Alb）、凝血酶原时间（PT）和活化部分凝血活酶时间（APTT）。最终模型在内部验证和外部验证中分别达到0.919和0.900的AUC，在非创伤性（0.911）和创伤性（0.882）亚组中表现一致。这个可解释模型可能支持不同病因RM患者的早期风险分层。
横纹肌溶解症（rhabdomyolysis, RM）是一种由骨骼肌损伤引发的临床综合征，常导致急性肾损伤（acute kidney injury, AKI）等严重并发症。当前临床实践中，基于肌酸激酶（CK）和血清肌酐（SCr）等传统生物标志物的风险评估方法存在敏感性和特异性不足的问题，且这些指标常在肾损伤确立后才有明显变化，难以实现早期预警。此外，RM病因高度异质，可分为创伤性和非创伤性两种亚型，其病理生理机制和AKI风险特征存在显著差异，但既往预测模型较少针对不同病因进行分层验证。因此，开发一个能够早期预测RM患者AKI风险、兼具可解释性和跨病因泛化能力的模型具有重要临床价值。
研究人员利用来自四个公共重症监护数据库（MIMIC-IV、MIMIC-III CareVue子集、eICU-CRD和NWICU）以及中国三级医院多中心队列（BTMH）的数据，开展了回顾性多中心研究。推导队列纳入1569例RM患者，外部验证队列纳入401例。通过入院24小时内的18项临床变量，训练并比较了12种机器学习（machine learning, ML）模型。最终选择随机森林（random forest, RF）模型，并基于SHapley Additive Explanations（SHAP）全局特征重要性进行逐步特征消减，简化得到包含乳酸脱氢酶（lactate dehydrogenase, LDH）、SCr、白蛋白（albumin, Alb）、凝血酶原时间（prothrombin time, PT）和活化部分凝血活酶时间（activated partial thromboplastin time, APTT）的五变量模型。论文发表在《Journal of Intelligent Medicine》。
该研究采用的关键技术方法包括：从多个公共重症监护数据库（MIMIC-IV、MIMIC-III CareVue子集、eICU-CRD、NWICU）及中国BTMH队列提取数据；基于入院24小时内的18项临床变量，使用12种ML算法（如LightGBM、RF、XGBoost等）进行模型训练；采用受试者工作特征曲线下面积（AUC）进行性能评估；利用SHAP进行特征贡献的全局和局部可解释性分析；通过逐步特征消减获得简化的五变量模型，并在独立外部验证队列及创伤/非创伤亚组中验证。
**3 RESULTS**
**3.1 Patient characteristics**：推导队列中1569例患者，AKI发生率为68.0%。与未发生AKI的患者相比，AKI组年龄更大、体重更高、SCr和乳酸脱氢酶（LDH）水平更高，白蛋白（Alb）水平更低，凝血酶原时间（PT）和活化部分凝血活酶时间（APTT）更长（均p<0.001）。外部验证队列中401例患者，AKI发生率为29.7%，其中非创伤性RM亚组AKI发生率29.9%，创伤性RM亚组29.0%。
**3.2 Model development and comparative performance**：在推导队列中，使用入院24小时内18个变量训练12种ML模型。随机森林（RF）模型表现最优（AUC=0.940），其次为XGBoost（AUC=0.938）和LightGBM（AUC=0.938）。基于SHAP全局重要性进行逐步特征消减，RF在不同特征子集上始终优于其他算法。
**3.3 Final model selection**：在RF框架下，通过SHAP重要性排序逐步消减特征。18变量模型与5变量模型（LDH、SCr、Alb、PT、APTT）的AUC差异无统计学意义（ΔAUC=0.021，p=0.055），综合考虑模型简洁性与临床适用性，选择五变量RF模型作为最终模型。
**3.4 External validation and subgroup performance**：最终五变量RF模型在外部验证队列中AUC为0.900。亚组分析显示，非创伤性RM亚组AUC为0.911，创伤性RM亚组AUC为0.882，表明模型在不同病因亚组中均保持稳定判别性能。
**3.5 Model interpretability analysis**：通过SHAP全局分析，LDH和SCr是最重要的预测因子。SHAP依赖图显示：当SCr超过约2.0 mg/dL时，正向贡献增加；低Alb水平（约3 g/dL以下）与AKI风险升高相关。局部解释展示了代表性病例：未发生AKI者预测概率仅5.4%，而AKI者预测概率达94%，LDH和SCr贡献最大。
讨论部分总结：本研究系统比较了多种ML算法并引入可解释性技术，最终五变量RF模型在内部和外部验证中均表现良好。该模型基于早期可获得的临床变量，通过SHAP增强了透明度和临床可信度。研究在创伤性和非创伤性RM亚组中进行了分层外部验证，支持其跨病因泛化能力。但研究存在局限性：回顾性设计、推导队列主要来自ICU（重症监护病房）可能限制对普通病房患者的适用性、静态变量无法捕捉时间演变等。未来需前瞻性验证。
研究结论翻译：研究人员开发并外部验证了一个基于常规临床变量的可解释ML模型，用于预测RM患者AKI风险。最终RF模型在内部和外部验证队列（包括创伤性RM亚组）中均表现出稳定且良好的判别性能。通过整合SHAP可解释性分析，该模型不仅实现了强预测性能，还增强了透明度和临床可解释性。这种方法可能支持RM患者的早期风险分层。然而，在更广泛的临床实施之前，需要前瞻性研究来确定使用该模型是否能改善患者预后。
