用于肾移植患者尿路感染早期检测的机器学习模型

《International Urology and Nephrology》：Machine learning models for early detection of urinary tract infections in kidney transplant patients

　　

摘要

背景

肾移植是终末期慢性肾病的优选治疗方法，但需要终身免疫抑制，从而增加了尿路感染（UTI）等感染的风险。肾移植受者的 UTI 可导致严重并发症，包括急性肾损伤、移植物存活率降低和死亡率增加。机器学习可以提高风险检测的准确性，并支持对并发症的主动管理。本研究旨在开发一种基于机器学习的方法，用于预测肾移植受者的尿路感染，从而促进高危个体的早期识别。

方法

来自哥伦比亚移植中心的 29,340 份匿名记录的回顾性队列，用于开发和比较预测肾移植后患者 UTI 的机器学习模型。使用 41 个社会人口学和临床变量评估了 15 个机器学习模型。模型性能使用准确率和受试者工作特征曲线下面积（AUC）等指标进行评估。

结果

两个模型的表现均良好，其中随机森林达到了 93.57% 的准确率、94.43% 的 AUC、92.5% 的灵敏度和 95.2% 的特异度。XGBoost 达到了 91.14% 的准确率、91.65% 的 AUC、90.8% 的灵敏度和 92.6% 的特异度。特征重要性分析显示，关键预测因子包括体重指数（BMI）、使用麦考酚酯或麦考酚钠、供体类型、高血压、糖尿病、使用类固醇、再次移植、他克莫司血清水平和受者性别。

结论

本研究证明了机器学习模型在预测肾移植患者 UTI 方面的潜力，提供了早期干预和个性化护理的工具。在临床环境中实施这些模型可能改善患者预后，并通过预防相关的严重并发症来降低医疗成本。