《Renal Failure》：Predictive value of the uric acid to high-density cholesterol ratio (UHR) combined with intact parathyroid hormone for protein-energy wasting after incident hemodialysis: a multicenter study
编辑推荐：
蛋白质-能量消耗（PEW）在初始血液透析患者中很常见，且与不良预后相关。尿酸/高密度脂蛋白胆固醇比值（UHR）和全段甲状旁腺激素与代谢、炎症及营养紊乱相关，但它们对初始血液透析患者发生PEW的预测价值尚不明确。这项回顾性多中心研究纳入了863名初始血液透析患者
蛋白质-能量消耗（PEW）在初始血液透析患者中很常见，且与不良预后相关。尿酸/高密度脂蛋白胆固醇比值（UHR）和全段甲状旁腺激素与代谢、炎症及营养紊乱相关，但它们对初始血液透析患者发生PEW的预测价值尚不明确。这项回顾性多中心研究纳入了863名初始血液透析患者。PEW根据国际肾脏营养与代谢学会的标准进行定义。采用受试者工作特征（ROC）分析、多变量逻辑回归以及十种机器学习模型评估了UHR和iPTH。研究进行了限制性立方样条、中介和轨迹分析，并利用Shapley加性解释（SHAP）提高可解释性。59.2%的患者被诊断为PEW。通过四种机器学习方法进行特征选择，一致认定UHR、iPTH和估算肾小球滤过率是关键预测因子。较高的基线和累积UHR与较低的PEW风险独立相关。轨迹分析显示，平均值较高的UHR快速上升和快速下降模式均与最低的PEW风险相关。观察到了非线性关联，其中UHR与PEW之间呈倒U型关系，iPTH与PEW之间呈S型关系。中介分析表明，iPTH约占UHR与PEW之间关联的10–13%。在所有模型中，XGBoost表现最佳（AUC = 0.801）。开发了一款基于网页的应用工具用于个体化PEW风险评估。UHR和iPTH在特定范围内与PEW风险相关。整合了这些标志物的机器学习模型表现出良好的预测性能，可能有助于临床实践中的个体化风险评估。
蛋白质-能量消耗（PEW，一种与慢性肾脏病相关的营养不良状态）在慢性肾脏病（CKD）全病程中普遍存在，且是导致CKD进展及增加心血管事件、感染和死亡率的关键危险因素。初始血液透析阶段（通常指透析开始后的前3-4个月）是患者死亡率最高的时期，而此阶段的营养状态对患者预后至关重要。既往关于营养与代谢的研究多聚焦于碳水化合物、蛋白质和脂质代谢，而高尿酸血症在血液透析患者中普遍存在并带来炎症与营养挑战。尿酸与高密度脂蛋白胆固醇比值（UHR，由血清尿酸与高密度脂蛋白胆固醇比值计算得出的复合代谢指数）能够整合尿酸相关的氧化促炎负担与高密度脂蛋白胆固醇的抗炎抗氧化特性。全段甲状旁腺激素在维持钙磷稳态中起关键作用，过低或过高的水平均与患者营养状态及预后不佳相关。然而，目前关于UHR和iPTH对初始血液透析患者PEW风险的预测价值尚不明确，且现有预测模型多依赖传统指标与常规统计方法，难以捕捉复杂的非线性关系。为解决上述问题，研究人员开展了此项研究，旨在全面描绘UHR和iPTH的纵向轨迹模式，开发整合这些标志物的机器学习模型，并构建基于网页的交互式临床应用工具。该研究论文已发表在《Renal Failure》期刊上，不仅揭示了UHR与iPTH在特定范围内对PEW的非线性保护或风险关联，还为临床早期个体化风险分层提供了实用工具，具有重要的临床转化意义。
在研究方法与队列方面，研究人员开展了一项多中心回顾性研究，样本队列来源于中国广东省四家门诊透析中心（中山大学附属第三医院、佛山顺德欣荣奇医院、花都区人民医院和南方医科大学顺德医院），共纳入863名初始血液透析患者。PEW依据国际肾脏营养与代谢学会（ISRNM）的诊断标准进行界定。研究主要应用了受试者工作特征（ROC）曲线和多变量逻辑回归评估预测效能；通过Boruta算法、最小绝对收缩和选择算子（LASSO）回归、随机森林和最优子集选择进行特征筛选；采用限制性立方条样（RCS）探索非线性关系；运用中介分析探讨机制，并利用K-means聚类分析纵向轨迹。此外，研究人员开发了十种机器学习模型，并利用Shapley加性解释（SHAP）对最优模型进行可解释性分析。
研究结果部分总结了以下发现：
1. 基线特征：研究队列中PEW患病率为59.2%。发生PEW的患者在体质量指数（BMI）、血红蛋白、白蛋白和iPTH等多个人体测量及实验室指标上均显著低于未发生PEW的患者。
2. 特征选择：通过对22个变量进行筛选，四种机器学习算法一致认定UHR、iPTH和估算肾小球滤过率是预测PEW的核心特征。
3. UHR与PEW的显著关联：通过多变量逻辑回归分析发现，基线UHR无论是作为连续变量还是按最佳截断值分类，其水平升高均与PEW风险降低显著相关，体现出一定的保护效应。
4. UHR纵向轨迹与PEW的关联：通过K-means聚类分析识别出五种不同的纵向轨迹模式。其中，UHR快速降低和快速升高轨迹组（具有较高平均值）表现出对PEW的最强保护性关联。
5. iPTH在UHR与PEW关联中的作用：中介分析表明，iPTH在基线UHR、累积UHR与PEW的关联中起到了部分中介作用，分别解释了约10.6%和13.1%的总效应，提示可能存在相关代谢通路。
6. UHR和iPTH对PEW的非线性关联及阈值效应：RCS模型分析显示，累积UHR和初始UHR与PEW之间呈显著的倒U型非线性关系（拐点分别约为22.7和23.9）；而iPTH与PEW之间呈S型非线性关系，当iPTH接近300 pg/mL时PEW风险较低且相对稳定。
7. 亚组与敏感性分析：分层分析发现UHR与PEW的关联在合并高血压的患者中更为显著。敏感性分析验证了上述结果的稳健性。
8. 机器学习模型开发及性能比较：基于筛选特征构建的十种模型中，XGBoost模型在训练集和内部验证集中表现出最稳定的效能，总体表现优于单纯的UHR或iPTH模型。
9. 基于SHAP的模型解释与临床交互应用：SHAP分析指出eGFR是最强预测因子，UHR和iPTH也具有重要贡献。研究人员基于最优模型开发了一款在线网页交互工具，可供临床医生输入患者参数进行个体化PEW风险评估。
最后，在讨论与结论部分，研究人员总结道，本研究首次揭示了UHR作为初始血液透析患者PEW风险潜在标志物的价值，并将其与iPTH结合用于风险评估。研究证实UHR和iPTH在特定阈值范围内与PEW风险存在非线性关联，且iPTH对UHR与PEW的关联存在部分中介效应。纵向轨迹分析表明，UHR的快速变化（无论是快速升高还是降低）且保持较高平均值与较低的PEW风险相关。最终构建的基于XGBoost算法的机器学习模型表现出了良好的预测性能，其SHAP分析增强了模型的可解释性，且配套的网页工具为个体化临床决策提供了便捷手段。未来的研究需要通过跨地域的大规模、多中心、前瞻性队列来进一步验证这些发现，以提升模型的泛化能力和临床适用性。
