维持性血液透析患者透析中运动不耐受的预测：整合功能评估的可解释机器学习（Interpretable Machine Learning）方法

《Renal Failure》：Predicting intradialytic exercise intolerance in maintenance hemodialysis patients: an interpretable machine learning approach integrating functional assessments

　　

摘要：运动不耐受主要表现为透析中低血压（Intradialytic Hypotension, IDH），在维持性血液透析（Maintenance Hemodialysis, MHD）患者中常见，可中断干预并导致不良结局。本研究为前瞻性观察研究，纳入128例接受每周三次血液透析≥3个月、共产生896条透析记录的成人患者。研究人员采用10折GroupKFold交叉验证策略，在全数据集上评估四种分类器——弹性网络惩罚逻辑回归（Logistic Regression with Elastic Net Penalty）、随机森林（Random Forest）、直方图梯度提升决策树（Histogram-based Gradient Boosting Decision Tree, HGBDT）及极端梯度提升（eXtreme Gradient Boosting, XGBoost）。性能通过受试者工作特征曲线下面积（Receiver Operating Characteristic Area Under the Curve, ROC AUC）、精确率–召回率曲线下面积（Precision-Recall AUC, PR AUC）、准确率（Accuracy）、精确率与召回率的调和平均数（Harmonic Mean of Precision and Recall, F1 Score）及布赖尔分数（Brier Score）进行评价。SHapley Additive exPlanations（SHAP）分析增强模型可解释性，校准通过可靠性曲线（Reliability Curves）评估，临床效用通过决策曲线分析（Decision Curve Analysis, DCA）评价。运动不耐受发生率为患者29.7%（记录30.2%）。随机森林模型优于其他模型，平均ROC AUC为0.914±0.024，准确率为0.845±0.025，F1分数为0.750±0.047，模型稳定性在各验证折中均得到确认。校准显示预测概率与观测事件率吻合良好，DCA证实在阈值概率0.1–0.6范围内具有优越的净获益（Net Benefit）。SHAP分析确定起立–行走计时测试（Timed Up and Go, TUG）耗时、透析前收缩压（Predialysis Systolic Blood Pressure）、超滤参数（超滤率及总超滤量）为运动不耐受的前三位预测因子。该随机森林模型融合功能评估与SHAP可解释性，为预测透析中运动不耐受提供了稳健、透明的工具，可通过个体化风险管理支持精准肾脏病学（Precision Nephrology）实践。

论文解读：维持性血液透析患者透析中运动不耐受的可解释机器学习预测模型研究

该研究发表于《Renal Failure》。

一、研究背景与立项依据

维持性血液透析（Maintenance Hemodialysis, MHD）患者的运动康复是改善预后的重要策略，但临床实施受限于较高的透析中运动不耐受发生率（约30%），主要表现为透析中低血压（Intradialytic Hypotension, IDH）、严重疲劳或肌肉痉挛，常需终止运动方案，且62%出现不耐受的患者会永久退出康复项目。IDH定义为透析中收缩压（Systolic Blood Pressure, SBP）下降≥20 mmHg或平均动脉压（Mean Arterial Pressure, MAP）下降≥10 mmHg并需干预，频繁发生可增加2年全因死亡率。MHD患者存在明显的功能储备（Functional Reserve）耗竭，包括心肺及神经肌肉储备下降、峰值摄氧量（VO₂peak）仅为同龄健康人50%–60%、肌少症（Sarcopenia）患病率高。起立–行走计时测试（Timed Up and Go, TUG）、步速等功能评估已是MHD患者死亡风险的独立预测因子，但其对运动不耐受的预测价值及各功能维度间的交互作用尚不明确。现有机器学习IDH预测模型普遍存在缺乏外部验证、忽略功能评估指标及可解释性差三大局限。SHapley Additive exPlanations（SHAP）可量化特征贡献以提升临床可接受度，但罕有研究将其用于整合功能评估的透析风险预测。因此，研究人员假设多维功能储备决定MHD患者对透析中运动不耐受的易感性，拟开发并内部验证整合功能评估与常规临床变量的可解释机器学习模型。

二、主要技术方法概述

研究人员开展前瞻性重复测量观察性研究，队列来源于首都医科大学附属北京康复医院血液透析中心，纳入标准：年龄≥18岁、每周三次血液透析≥3个月；排除血流动力学不稳定无法制定运动处方、活动性感染或不能完成功能评估者。最终入组128例患者，每人多次透析中运动记录共896条。采集人口学、透析参数（透析前SBP/DBP、计划超滤率Planned Ultrafiltration Rate、计划超滤总量、透析液温度等）、功能评估（TUG、30秒坐–站重复次数、4米常态步速、握力×2次）及衍生变量（IDWG、MAP、风险标志与交互项）。结局定义为透析中运动不耐受：发生IDH、临床医生指示终止运动或未完成处方方案伴症状。缺失连续变量以中位数填补，分类变量以最常见类别填补；连续变量z-score标准化，分类变量独热编码（One-Hot Encoding），全过程封装于管道（Pipeline）防信息泄露。经递归特征消除（Recursive Feature Elimination, RFE）筛选15个最优预测因子。比较四种算法：弹性网络逻辑回归、随机森林（Random Forest）、HGBDT、XGBoost，采用10折GroupKFold交叉验证（按患者分组）调参并评估ROC AUC、PR AUC、准确率、F1分数、Brier Score；校准用可靠性曲线，临床效用用决策曲线分析（Decision Curve Analysis, DCA）；用SHAP做全局及局部可解释性分析；做性别分层亚组分析及混合效应模型与ICC检验重复测量聚类效应。

三、研究结果

3.1. Participant characteristics（研究对象特征）

研究纳入128例MHD患者（男56.3%），中位透析龄4.5年（IQR 2.1–7.3），平均年龄59.8±12.3岁；运动不耐受发生38例（29.7%），涉及271条记录（30.2%）。不耐受组较耐受组年龄更大（66.2±10.4 vs. 57.1±11.8岁，p=0.002），计划超滤率更高（13.4±3.2 vs. 11.2±2.8 mL/kg/h，p=0.001），间期体重增长（Interdialytic Weight Gain, IDWG）更多（3.1 vs. 2.4 kg，p=0.04），TUG时间更长（17 vs. 13 s，p=0.004），30秒坐–站次数更少（12.4 vs. 14.4，p=0.03），步速更慢（0.86 vs. 0.95 m/s，p=0.04），握力更低（20.4 vs. 24.8 kg，p=0.01），Borg评分更高（13 vs. 11，p=0.02）。血管通路以自体动静脉瘘（Arteriovenous Fistula, AVF）为主，组间无差异（p=0.30）。组内相关系数（Intra-Class Correlation Coefficient, ICC）=0.23（95% CI: 0.17–0.29，p<0.01），提示弱且可控的聚类效应；补充多层混合效应模型与Random Forest性能无显著差异（AUC 0.912±0.026 vs. 0.914±0.024，p=0.82），证实GroupKFold可控制偏倚。

3.2. Model performance and subgroup analysis（模型性能与亚组分析）

四模型比较中Random Forest表现最优：平均ROC AUC 0.914±0.024，准确率0.845±0.025，F1分数0.750±0.047，Bootstrap校正AUC为0.908±0.028（95% CI: 0.882–0.934）；优于HGBDT（AUC 0.890±0.028）、XGBoost（AUC 0.889±0.042）及弹性网络逻辑回归（AUC 0.689±0.071）。校准曲线显示Random Forest预测概率与观测事件率一致性良好（Brier Score 0.120±0.010）。DCA显示在阈值概率0.1–0.6范围内Random Forest具正向净获益，最大净获益0.35（阈值概率≈0.4时净获益0.25）。性别分层亚组：男性AUC 0.919±0.020，女性AUC 0.905±0.054（女性方差略大与样本量较小有关），模型在两亚组均保持稳健判别能力。

3.3. Model interpretability（模型可解释性）

SHAP汇总蜂群图（Beeswarm Plot）显示最重要预测因子依次为：TUG耗时（TUG Duration）>患者年龄>透析前收缩压（Predialysis SBP）>计划超滤率（Planned Ultrafiltration Rate）>计划总超滤量（Planned Total Ultrafiltration Volume）>透析前体重。较高TUG值、较低透析前SBP、较高超滤率/超滤量及较大年龄与运动不耐受高风险正相关。TUG整合下肢肌力、姿势稳定性、步态协调及心血管耐力，是反映机体功能储备的敏感指标。

四、讨论与结论翻译总结

讨论指出Random Forest模型AUC达0.914，优于对照算法，证明整合身体功能、心血管储备与透析血流动力学应激因子的预测框架可有效提升风险分层。RFE降维至15个关键预测因子增强了稳定性。敏感性分析表明保留原始生理参数（SBP、DBP、体重、身高）较使用派生指标（MAP、BMI）预测性能更佳（AUC 0.914 vs. 0.906），提示机器学习模型可从原始数据粒度中提取更优信号。TUG作为首位预测因子拓展了其在透析单元中作为常规功能筛查工具的价值——操作简便（仅需平地及秒表，1–2分钟/次），但面临部分患者肢体功能障碍无法完成、医护人员培训不足及患者恐惧跌倒等实施障碍，文中建议标准化培训、跌倒风险评估及患者教育以促进推广。透析前SBP反映血流动力学储备，较低基础SBP预示运动中代偿能力不足易诱发不耐受；高计划超滤率(>13 mL/kg/h)导致动脉充盈减少及心输出量降低，叠加运动应激超出代偿阈值；较高透析液温度促血管扩张削弱压力反射，个体化降温（35–36℃）可能改善耐受性（本观察性设计未直接验证干预效果）。SHAP分析赋予模型透明度，结合区分度、校准及DCA全面评估满足TRIPOD声明要求。局限性含单中心设计、观察性无法推断因果、未追踪长期训练适应性及部分实验室参数（血红蛋白、Kt/V等）缺失，需多中心外部验证。

结论（原文浓缩翻译）：

本单中心研究表明，经RFE特征筛选并结合功能评估（尤TUG测试）增强的随机森林算法，对MHD患者透析中运动不耐受具高预测准确性。功能储备（以TUG为代表）与血流动力学基线（透析前SBP）是运动不耐受的主导预测因子，重要性超过静态人口学因素。经性别亚组合SHAP分析增强可解释性，本研究为精准肾脏病学提供了潜在的预测工具。受单中心及缺外部验证所限，模型泛化能力需多中心大样本研究进一步确认。基于结果建议临床考虑将功能性运动测试（如TUG）常规纳入透析单元，不仅用于康复监测，亦作为风险分层的参考指标。未来需外部验证优化模型并探索在不同透析人群中的适用性。