董建华1 张明伟2 杨 茜1 李 川1 吴 边1 孔 凌1 葛永纯1

摘 要

目的:利用机器学习法分析两种透析质量持续达标评估方法对维持性血液透析(HD)患者预后的影响。  

方法:筛选2016年1月在国家肾脏疾病临床医学研究中心接受HD治疗,且每年完成至少3次透析质量评估的患者。随访截止至2022年10月,终点事件为全因死亡。采用指标达标时长比和指标达标波动值作为9种透析质量指标(透析间期体重增长率、透析前收缩压、血红蛋白、血清白蛋白、血总二氧化碳、血钙、血磷、血全段甲状旁腺激素和单室尿素清除率)持续达标的评估方法,基于机器学习算法构建HD患者1年后存活或死亡的预测模型,并获得模型最佳概率阈值。  

结果:本队列研究共纳入240例HD患者,60例(25.0%)患者死亡。采用K-近邻算法(KNN)、随机森林(RandomForest)、极度随机树(ExtraTrees)、极限梯度提升树(XGBoost)、自适应增强(AdaBoost)和决策树(DecisionTree)六种机器学习法,分别构建基于透析质量指标达标时长比和指标达标波动值的预测模型。基于指标达标时长比的ExtraTrees模型具有最佳的预测效果,其准确率、精确率、召回率、F1分数和受试者工作曲线下面积分别达到0.92、0.86、0.96、0.91和0.93,同时证实0.65作为模型的最佳概率阈值。  

结论:基于透析质量指标达标时长比的机器学习模型对HD患者预后具有良好的预测效果。

ABSTRACT

Objective:Use machine learning method to analyze the impact of two continuous assessment methods of dialysis quality indicators on the prognosis of maintenance hemodialysis (HD) patients.   

Methodology:A total of 240 patients who received HD treatment at the Eastern Theater Command General Hospital in January 2016 were screened,and dialysis quality was assessed more than three times a year.The follow-up period ends in October 2022,and the endpoint is death from all causes.The indicator time-to-standard ratio and indicator fluctuation value were used as the evaluation methods for the continuous achievement of nine dialysis quality indicators.Dialysis quality indicators include interdialytic weight gain、pre-dialysis systolic blood pressure、hemoglobin、albumin、total carbon dioxide、calcium、phosphorus、parathyroid hormone and spKt/V.A prediction model for survival or death of HD patients after 1 year was constructed based on a machine learning algorithm,and the optimal probability threshold of the model was obtained.   

Results:After 94 months of follow-up,60 patients (25.0%) died.Six machine learning methods,KNN,RandomForest,ExtraTrees,XGBoost,AdaBoost and DecisionTree,are used to build prediction models based on the indicator time-to-standard ratio and the indicator fluctuation value.The ExtraTrees model based on the indicator time-to-standard ratio has the best prediction effect,with its accuracy,precision,recall,F1 score and area under the receiver operating curve reaching 0.92,0.86,0.96,0.91 and 0.9 respectively,while confirming 0.65 as the optimal probability threshold for the model.   

Conclusion:The machine learning model based on the indicator time-to-standard ratio has a good prediction effect on the prognosis of HD patients.

我国血液透析(HD)患者人数快速增长,HD总患病率为597.7/百万·人,截至2022年,HD患者为844 265例,新增HD患者156 645例。得益于我国HD治疗率、治疗质量的不断提高,以及医疗保障政策的完善,HD患者生存时间明显延长,平均透析龄达4.5年,但与高质量透析的发达国家仍存在差距。临床亟须建立HD患者预后预测模型,为临床医生制定优化的治疗方案提供参考依据,进一步降低HD患者死亡风险,改善临床预后。透析质量持续达标是改善HD患者预后的基础。然而,目前临床缺少透析质量指标持续达标的评估方法,罕有研究分析透析质量多指标持续达标对HD患者预后的意义,尚未建立透析质量多指标持续达标影响HD患者预后的预测模型。机器学习法在多维和非线性分析方面更具优势,可提高模型的预测性能,已经被广泛应用于肾脏病相关研究,在HD领域也崭露头角[1-3]。因此,本研究提出两种透析质量指标持续达标的评估方法,并利用机器学习法建立透析质量多指标持续达标影响预后的最佳预测模型。

透析方案  透析3次/周、4 h/次,治疗模式有HD和HDF,血管通路为自体动静脉内瘘(AVF)、移植物动静脉内瘘(AVG)或带隧道和涤纶套的透析导管(TCC)。

IDWG=(透析前体重-前次透析后体重)/干体重×100%

(2)R为透析后BUN/透析前BUN,t为治疗时间,ΔBW为超滤量,BW为透析后体重。

图1 持续达标时长比和指标达标波动值计算示意图

L:总时长;Ln:指标未达标时长;vn:指标异常值与正常边界值(达标值的上限或者下限)的差值;n:异常值个数

指标达标时长比=(L-L1-L2-…-Ln)/L

(5)vn为指标异常值与正常边界值(达标值的上限或者下限)的差值,n为异常值个数。

随访与预后   随访观察截止时间至2022年10月,观察终点事件为全因死亡。

统计学方法   采用《IBM SPSS 22.0》软件(IBM SPSS Inc.,Chicago,USA)进行统计分析。计量资料若服从正态分布,以均数±标准差表示,两组间比较采用两独立样本t检验;若不服从正态分布,以中位数(四分位间距)表示,两组间比较采用秩和检验(Kruskal-Wallis H检验)。计数资料以例数(百分率)表示,组间比较采用卡方检验或Fisher精确概率法。P<0.05为差异有统计学意义。

预后预测模型建立及预测性能评价   将患者年龄、是否合并糖尿病、冠心病,以及透析质量指标达标时长比和指标波动值作为预测HD患者1年后预后的预测指标。192例患者作为训练集(存活144例、死亡48例),48例作为测试集(存活36例、死亡12例)。

基于指标达标时长比和指标波动值的ExtraTrees机器学习模型以决策树结构为基础,每个节点设置判定条件,根据判定结果进入到下一判定环节,直至叶子节点给出最终模型的预测结果。通过模型评价指标AUC、准确率、精确率、召回率和F1分数的综合比较,表明基于指标达标时长比的HD患者预后预测模型具有更好的预测效果(图2)。

我国在2015年以循证医学结果为依据,参考国际指南,提出了《中国血液透析充分性临床实践指南》,针对9项透析质量指标,给予临床实践指导意见[4-5]。国家肾脏疾病临床医学研究中心依据指南和《血液净化标准操作规程》,每3个月对HD患者进行透析医疗质量评价,并及时调整透析处方和治疗方案,HD患者的基线中位透析龄已达75月。HD患者透析质量指标会随着时间推移而动态变化,但临床多通过横断面数据评价透析中心和患者的透析质量达标情况,因为缺少将透析质量指标持续达标情况进行量化的评估手段,很少有研究对上述指标进行纵向评估。本研究首次提出将指标达标时长比和指标波动指数作为透析质量持续达标的评估方法。本中心HD患者Hb和血磷达标时长比低,指导医生优先关注贫血纠正和血磷控制;iPTH和Hb的达标波动指数高,提示医生应注意治疗药物剂量调整幅度,避免iPTH和Hb水平明显波动,Hb达标时长比低可能也与之相关。指标达标时长比可作为评价透析中心整体透析质量的方法,指标波动指数能提示治疗方案的稳定性。

临床多通过单一透析质量指标的基线水平,基于线性模型(Logistic Regression模型或COX回归模型),分析判断其对HD患者预后影响[6]。HD患者透析质量指标的达标情况会随着治疗方法的改进和调整而变化,数据间的关系也会发生动态改变,传统统计学方法在高度复杂的多因素分析存在局限性,而机器学习允许更新模型以合并新数据,并捕获特征间关系的变化。现有利用机器学习法构建的HD患者预后预测模型,研究群体多为初始HD患者,研究数据多来源于HD前或后的基线数据[7-12]。目前尚未有研究建立多指标持续达标对HD患者预后影响的预测模型。本研究使用记录时间段内透析质量指标的达标时长比和达标波动指数作为HD患者1年预后的预测因子,建立基于机器学习法的HD患者预后预测模型。基于指标达标时长比的ExtraTrees模型具有最佳的预测效果,其准确率、精确率、召回率、F1分数和AUC分别达到0.92、0.86、0.96、0.91和0.93。其次本研究进行HD患者预后模型的最佳概率阈值计算,从多个指标维度证实0.65可作为预后模型的最佳概率阈值。模型基于临床容易获得的透析质量指标,可以帮助医生对高危患者进行分类,有助于医生及时制定针对性干预策略,改善患者预后。

本研究证实了透析质量指标持续达标对HD患者预后预测的应用前景,但存在一定的局限性。首先,训练数据基于单中心的回顾性数据,纳入样本量少,缺少外部验证,不能排除中心效应。其次,研究仅评估了患者1年死亡率,而长期死亡风险对HD患者也很重要。最后,研究未使用治疗干预数据。因此,研究组拟开展多中心研究,验证模型的可靠性和泛化性,进一步构建HD患者2年和5年死亡风险预测模型,同时利用机器学习法解释预测模型,对影响患者预后的透析质量指标进行重要性排序,切实帮助临床医生评估患者预后并制订个体化治疗方案。