《International Journal of Nephrology and Renovascular Disease》：Machine Learning–Based Prediction of Hemoglobin Variability in Patients with Chronic Kidney Disease Receiving Erythropoiesis-Stimulating Agents: A Real-World Retrospective Study
编辑推荐：
背景：贫血是慢性肾脏病（CKD）的常见并发症，主要由促红细胞生成素刺激剂（ESA）管理。患者对ESA治疗的血红蛋白反应差异显著，受多种交互的临床与治疗相关因素影响而难以预测。机器学习方法有望利用常规收集的临床数据建模血红蛋白动态。目的：开发并评估机器学习模型以
背景：贫血是慢性肾脏病（CKD）的常见并发症，主要由促红细胞生成素刺激剂（ESA）管理。患者对ESA治疗的血红蛋白反应差异显著，受多种交互的临床与治疗相关因素影响而难以预测。机器学习方法有望利用常规收集的临床数据建模血红蛋白动态。目的：开发并评估机器学习模型以预测接受ESA治疗的CKD患者每周血红蛋白变化。患者与方法：采用泰国某三级医疗中心2012年1月至2022年12月电子病历进行回顾性队列研究。纳入成人CKD 3B–5期且估计肾小球滤过率（eGFR）低于45 mL/min/1.73 m2、接受ESA治疗者。以80%患者数据训练四种机器学习算法（决策树、随机森林、XGBoost、支持向量机），剩余20%患者作独立测试集，各患者所有纵向观察保留于同一划分。性能以均方根误差（RMSE）和Pearson相关系数评估。结果：共834例患者、10,335次就诊、9,935个时间序列观察。中位年龄71岁，58.6%为女性。决策树、随机森林、XGBoost、支持向量机RMSE分别为0.121、0.115、0.117、0.115 g/dL；Pearson相关系数0.457–0.553（均p<0.001）。结论：基于常规临床数据训练的机器学习模型可预测接受ESA治疗的CKD患者短期血红蛋白变异性，需更大规模多中心与外部验证研究以提升精度并评估临床效用。
研究背景与动机
慢性肾脏病（CKD）全球负担持续加重，泰国流行病学估计约1750万人（占人口17.5%）受累。CKD相关贫血多于3期出现，终末期肾病（ESKD）中患病率可达40%–50%，与疲劳、心血管发病、住院及死亡风险升高直接相关。KDIGO指南推荐ESA治疗者血红蛋白靶区间10.0–11.5 g/dL，但ESA剂量与血红蛋白反应呈非线性，个体间变异近50%，红细胞寿命约64天且个体变异近30%，叠加铁缺乏、炎症、营养、透析充分性等因素，使常规监测下的血红蛋白轨迹仍难预测。既往人工智能（AI）研究多限于西方透析人群且聚焦剂量推荐，泰国CKD人群中基于真实世界数据预测血红蛋白周变化的模型尚缺。研究人员据此利用泰国曼谷Vajira医院2012–2022年电子病历，开展回顾性研究以论证常规数据驱动模型的可行性。
主要技术方法
研究人员从Vajira医院五类肾病门诊/透析单元筛选成人CKD 3B–5期（eGFR<45 mL/min/1.73 m2）且接受ESA者，排除血红蛋白<7 g/dL、转铁蛋白饱和度<20%、白蛋白<2.5 g/dL及随访<3次者，最终834例构成队列。纵向记录经前次与当前访视变量构造时间序列，目标为下次访视血红蛋白与当前差除以周间隔（ΔHb/周）。缺失值采用末次观测结转（LOCF）→基线值→中位数三步填补；按患者级80%/20%划分训练/测试集防泄漏。以决策树、随机森林、XGBoost、支持向量机（SVM）四种算法经GridSearchCV/RandomizedSearchCV调参，RMSE与Pearson r评价。
研究结果
研究队列：初筛1,238例，经资格与清洗后834例入组，贡献10,335次访视与9,935个时间序列观察。中位年龄71岁（IQR 63–78），58.6%女性；高血压记录于70.3%观察、糖尿病13.6%；46.0%观察含肾脏替代治疗（KRT）（血液透析42.6%、腹膜透析3.4%）；ESA皮下57.4%、静脉42.6%；中位随访9周（IQR 5–12），中位周ESA剂量5,000单位（IQR 4,000–8,000）。
基线特征：实验室参数中前次访视血红蛋白均值10.70±1.47 g/dL，当前10.76±1.44 g/dL，平均周变化0.005±0.169 g/dL；钙、磷、白蛋白、肌酐、eGFR均报告前后访视均值/中位。缺失比例最高为磷14.6%、钙14.4%、白蛋白12.1%、肌酐1.37%，LOCF解决68.3%–85.9%。
模型性能：测试集RMSE为决策树0.121、随机森林0.115、XGBoost 0.117、SVM 0.115；Pearson r分别0.457、0.553、0.500、0.515（均p<0.001）。随机森林、XGBoost、SVM性能相近，预测周变化多落在?0.2至0.2 g/dL，捕捉短期趋势而非随机波动。
讨论总结
研究人员指出，最佳RMSE 0.115 g/dL小于临床访视间自然血红蛋白波动（约0.3–0.5 g/dL），证明常规变量可建模短期变异性；但Pearson r仅中度，源于ESA药效学滞后、访视间隔不规则、索引访视剂量无法代表全间期累积暴露、以及临床按前次轨迹调剂量的指示混杂（confounding by indication）——模型反映预测相关性而非ESA因果效应。与Barbieri、Gabutti、Yun等透析人群剂量推荐研究不同，本研究覆盖54%非KRT观察且以连续ΔHb/周为目标，不可直接比较指标。局限包括单中心、中位随访仅9周、缺炎症标志物/甲状旁腺激素/iPTH/Kt/V/URR（缺失>15%剔除）、排除重低蛋白/重缺铁者、无外部验证、泰国用药习惯外推受限。作者主张后续用LSTM或transformer、SHAP解释、多中心验证与基准模型对照。
结论翻译
本研究表明机器学习模型可训练用于估算接受ESA治疗的CKD相关贫血患者短期每周血红蛋白变化。所评算法中随机森林、XGBoost与支持向量机性能相当，RMSE 0.115–0.117 g/dL，预测与实测周变化呈中度正相关（Pearson r=0.500–0.553，均p<0.001）。虽整体预测性能中等，结果支持利用常规临床数据以机器学习建模血红蛋白变异性的可行性，并提示此类模型可贡献于未来CKD贫血管理临床决策支持工具；结论须在研究人群资格限定内解释（尤其排除重度低白蛋白血症与深度缺铁者）。更大规模多中心数据集与独立队列验证是精炼精度与评估临床效用的必要步骤。论文发表于《International Journal of Nephrology and Renovascular Disease》。
