《Scientific Reports》：Identification of acute kidney injury after non-cardiac surgery by machine learning leveraging a large electronic health record database
编辑推荐：
术后急性肾损伤（PO-AKI）是非心脏手术后的常见并发症，显著增加患者的死亡率和发病率。早期识别高风险患者可改善患者护理。研究人员调查了一个大型单中心数据库，包含13,890例接受非心脏手术的患者，其中1,718例（12.37%）发生了PO-AKI。基于62项
术后急性肾损伤（PO-AKI）是非心脏手术后的常见并发症，显著增加患者的死亡率和发病率。早期识别高风险患者可改善患者护理。研究人员调查了一个大型单中心数据库，包含13,890例接受非心脏手术的患者，其中1,718例（12.37%）发生了PO-AKI。基于62项术前、术中和术后患者特征，包括时间序列平均动脉压测量值，研究人员训练并验证了八种不同的机器学习（ML）算法以预测PO-AKI。在验证数据集上，随机森林分类器取得了最佳的ML模型性能，基于受试者工作特征曲线下面积（ROC-AUC）为0.742（95% CI，0.725-0.762）。特征重要性评估揭示了多种预测PO-AKI的患者特征，然而这些特征在集成与非集成ML模型之间差异很大。在七个不同的围手术期时间点训练和评估随机森林模型显示，验证数据集上的ROC-AUC从术前的0.722（95% CI，0.703-0.746）增加到术后的0.738（95% CI，0.716-0.755）。总之，研究人员在一个大型真实世界电子健康记录数据集上，对用于PO-AKI个性化预测的不同ML算法进行了全面的性能评估。
术后急性肾损伤（PO-AKI）是心脏和非心脏手术后的常见严重并发症，其发生率可高达39%，并与患者死亡率和发病率增加密切相关。PO-AKI通常依据改善全球肾脏病预后组织（KDIGO）标准定义，即术后7天内血清肌酐升高或尿量减少。非心脏手术的PO-AKI发生率约为29%，其中腹部手术风险最高。尽管通过容量管理、血压维持和避免肾毒性药物等措施可降低风险，但个性化预防措施在临床中的实施仍然有限。及时识别高风险患者是改善预后的关键。机器学习（ML）已在临床风险预测中展现出潜力，但现有PO-AKI预测模型多针对心脏手术，非心脏手术模型存在预测变量缺乏通用性、AKI定义不一致、样本量小、可解释性差等问题，且常忽略术中及术后时间序列监测参数。为此，研究人员基于大型单中心电子健康记录（EHR）数据库，系统评估了八种可解释的ML算法对非心脏手术后PO-AKI的预测性能，并探索了围手术期不同时间点的预测价值。
该研究发表在《Scientific Reports》。
在技术方法上，研究人员利用德国汉诺威医学院（MHH）2014年3月至2019年9月期间13,890例气管插管非心脏手术患者的电子健康记录数据，其中1,718例（12.37%）发生PO-AKI。数据分为原始发展队列（n=9,260）、平衡发展队列（n=2,286）和验证队列（n=4,630）。从术前、术中和术后记录中提取62项患者特征，包括时间序列平均动脉压（MAP）特征。采用R和Python进行统计分析，通过相关性分析排除高度相关变量。训练了八种二分类器：逻辑最小绝对收缩和选择算子（LASSO）回归、Group-LASSO回归、岭回归、弹性网络回归、支持向量机（SVM）、随机森林分类器（RFC）及线性和树型极端梯度提升机（xGBM）。模型在平衡发展队列上训练，通过五折交叉验证调整超参数，并在验证队列上用100次bootstrap抽样评估性能，指标包括受试者工作特征曲线下面积（ROC-AUC）、平衡准确度（BACC）、灵敏度、特异度等。还进行了特征重要性（原生FI和SHAP值）分析、决策曲线分析、校准曲线分析，并针对AKI严重程度和不同围手术期时间点进行了敏感性分析。
### 研究人群的基线特征
通过分析完整队列，最终纳入13,890例患者，随机分为发展队列（n=9,260）和验证队列（n=4,630）。PO-AKI发生率在原始发展队列为12.34%，在验证队列为12.42%。平衡发展队列中55.20%为男性，平均年龄59.72±16.50岁，术前估计肾小球滤过率（eGFR）为80.72±27.48 mL/min/1.73 m
2。通过相关性分析，识别出17个强相关特征组合，排除后保留62个预测变量，以避免多重共线性。
### PO-AKI危险因素的单因素关联
通过单因素逻辑回归分析，发现年龄（β=0.015，平衡发展队列；β=0.020，验证队列）与PO-AKI风险增加相关，而较高术前eGFR（β=-0.015；β=-0.018）与风险降低相关。肝硬化（β=1.409；β=1.381）和长期使用利尿剂（β=0.947；β=0.699）均与PO-AKI显著正相关。手术类型方面，神经外科手术风险较低，泌尿外科（β=0.903，平衡发展队列）和普外科（β=0.563，验证队列）风险增加。
### 个体化PO-AKI风险预测的机器学习模型的开发与性能评估
通过比较八种ML算法在平衡发展队列上的训练结果，最终在验证队列上，随机森林分类器（RFC）取得了最佳性能，ROC-AUC为0.742（95% CI，0.725-0.762），平衡准确度（BACC）为0.669（95% CI，0.648-0.691），F1分数为0.336。线性xGBM表现最差（ROC-AUC 0.704）。决策曲线分析显示，在部分阈值概率下模型有微小净获益，超过某一阈值后净获益转为负值。校准曲线表明模型高估了事件概率，Brier分数为0.208。特征重要性分析显示，术前eGFR和麻醉持续时间是多数模型的重要预测因子；集成模型与非集成模型之间的特征排名存在系统性差异。针对AKI严重程度的敏感性分析显示，AKI 3期特异性模型的预测性能更高，而AKI 1期和2期模型性能略有下降，但2、3期样本量较小。
### 可用预测变量的时间过程发展
通过训练八个不同围手术期时间点的RFC模型（术前、诱导结束、五个术中30分钟间隔及术后），评估预测性能变化。术前模型ROC-AUC为0.722（95% CI，0.703-0.746），术后模型为0.738（95% CI，0.716-0.755），BACC从0.661升至0.670。这表明术中数据的加入仅带来轻微的性能提升，增量价值有限。特征重要性分析显示，术前eGFR在所有时间点都是最重要的预测因子，年龄始终位列前三；MAP时间序列的均值、趋势、峰度等特征在术中时间点具有较高重要性，而麻醉药物剂量相关变量未进入前十。
### 讨论与结论
讨论部分指出，平衡数据集的训练优于非平衡数据集；模型预测概率未经校准，因此不能直接解释为真实临床风险；术中数据带来的增量预测价值有限，与既往研究一致。特征重要性方面，术前eGFR和麻醉持续时间是重要预测因子，但集成与非集成模型的原生特征重要性存在显著差异，而基于SHAP值的评估未显示这种系统性差异。去除术前eGFR后，MAP低于65 mmHg的时间曲线下面积的重要性上升。AKI分期特异性模型中，AKI 3期模型性能较高，但样本量小，需谨慎解读。研究局限性包括：大量数据因不完整被排除可能导致选择偏倚；未纳入尿量标准；慢性肾功能不全的排除依赖临床记录；缺乏外部验证。未来需要前瞻性外部验证，并探索更高分辨率的术中数据。
研究结论部分翻译如下：总之，该研究提供了一种全面、可重复且透明的PO-AKI危险因素分析方法，利用ML模型特异性度量和模型无关的事后检验来评估特征对预测的影响。利用大型异构
