一种可用于预测维持性血液透析患者高磷风险的可解释机器学习模型：一项多中心回顾性研究

《BMC Medical Informatics and Decision Making》：An explainable machine learning model for predicting high phosphorus risk in patients on maintenance hemodialysis: a multicenter retrospective study

　　

摘要

背景

高磷血症是血液透析中常见的并发症，也是评估透析效果的重要指标。本研究旨在构建一个可解释的机器学习模型，用于预测接受维持性血液透析患者的低磷血症风险。

方法

研究纳入了2025年5月至9月间重庆五家血液透析中心718名接受维持性血液透析患者的资料。这些数据被分为训练集（70%）和测试集（30%）。通过单变量和多变量分析来确定与高磷血症最相关的预测因子。研究共使用了七种机器学习算法来构建预测模型，模型性能则通过曲线下面积、F1分数、精确度、准确率和召回率等指标进行评估。此外还运用SHapley加性解释方法来展示各特征的重要性并解释个体预测结果。

结果

支持向量机模型的表现最为优异，其曲线下面积为0.840。影响程度从高到低的预测因子依次为PreCr、PreUrea、PreK、PreCO2CP和PTH。较高的PreCr、PreUrea和PreK水平会加剧高磷血症，而估算的PreCO2CP水平则具有抑制作用。

结论

该支持向量机模型在预测血液透析患者的高磷血症风险方面具有较高的准确性。这项初步的多中心回顾性研究证明了将支持向量机与SHAP算法结合用于风险识别的可行性，同时所确定的关键特征（PreCr、PreUrea、PreK、PreCO2CP、PTH）可作为未来构建前瞻性模型的候选参数。