急性肾损伤(AKI)是以肾功能迅速减退为特征的临床综合征[1-2]。AKI在住院患者中的发生率为10%～15%,而在重症监护病房(ICU)患者中可高达50%[2]。急性透析质量倡议(ADQI)工作组的共识报告将AKI预后预测列为未来研究的关键领域[3],随着人工智能技术的发展,机器学习和深度学习被广泛应用于AKI预后模型的构建。本文将总结基于相同诊断的AKI预后模型的研究进展,以期为临床决策与科研方向提供依据。

经典评分模型常用于评估重症AKI患者预后。Logistic器官功能障碍评分(LODS)和急性生理功能评分Ⅱ(SAPS Ⅱ)常用于ICU患者的AKI预后预测[4]。序贯器官衰竭评估(SOFA)和急性生理和慢性健康评估Ⅱ/Ⅲ(APACHE Ⅱ/Ⅲ)常用于合并多器官功能障碍的AKI患者[5]。

不同评分系统的预测能力存在差异。一项前瞻性研究比较不同评分对AKI患者住院死亡率的预测能力,结果显示SOFA评分的受试者工作特征曲线下面积(AUC)最高(0.908),优于APACHE Ⅱ(0.903)、SAPS Ⅱ(0.893)和急性肾小管坏死个体严重程度指数(ATN-ISI)(0.889)[6]。另一项研究也证实,SOFA评分在预测接受连续性肾脏替代治疗(CRRT)的AKI患者28 d和90 d死亡率方面优于APACHE Ⅱ评分[5]。此外,既有的评分系统能通过整合新参数而提高预测效能。如斯图芬伯格医院急性肾衰竭评分系统(SHARF)评分通过加入胆红素和脓毒症等新指标将AUC从0.80提升至0.83[7-8]。Flannery等[9]则将中性粒细胞明胶酶相关脂质运载蛋白(NGAL)和胱抑素C纳入APACHE Ⅱ评分以提高预测准确性。然而,经典评分模型多针对重症患者,对轻症或非ICU患者适用性有限。如APACHE Ⅱ评分中泌尿系统仅占4～8分,SAPS Ⅲ评分主要基于ICU入院临床特征,可能无法准确反映肾功能损伤的严重程度和变化趋势。而SHARF评分等多为单中心研究,推广至普通人群时需进一步验证和调整[8]。

因此,评分系统普遍存在模型陈旧、指标简单、缺乏个体化等问题。尽管如此,传统评分系统因简便、可解释性强,仍在资源有限场景中具有实用价值,未来研究应探索可解释人工智能与传统模型的融合路径,平衡性能与临床适用性。

与传统评分模型相比,列线图通过可视化方式量化临床风险,为临床决策提供便利。Yue等[10]构建的脓毒症相关性急性肾损伤(S-AKI)患者3个月死亡风险的列线图模型AUC达0.81,优于急性肾损伤预后评分(OASIS)、SOFA评分和全身炎症反应综合征评分(SIRS)。

列线图在预测AKI患者短期死亡率方面应用广泛[11-13]。一项研究纳入年龄、胱抑素C、AKI分期等变量构建S-AKI患者28 d死亡率列线图AUC为0.843[11]。另一项多中心研究也通过列线图预测ICU患者首次CRRT后28 d死亡率,AUC接近0.8,年龄、急性生理学评分和脓毒症被确定为独立危险因素[12]。列线图模型优势在于直观表达变量间的相互关系,明确各预测因子对结局的贡献,协助医生筛选高危患者。然而,部分研究缺乏外部验证,限制其临床推广,未来需在多样化人群中进一步验证。

人工智能技术通过整合多源数据、自动挖掘规律,构建高精度预后模型,提升临床决策质量。机器学习可用到的算法包括决策树、朴素贝叶斯、K-最近邻、随机森林及支持向量机等,深度学习则包括卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆网络(LSTM)等。表1汇总了近5年来部分应用多种机器学习算法的AKI预后模型研究。

表1 基于多种机器学习的AKI预后模型研究汇总

机器学习可自动挖掘高维数据中的复杂模式,兼具自动化、抗偏倚与高效建模优势。一项研究比较多种机器学习模型与经典评分系统,结果显示随机森林预测CRRT患者不良预后的AUC为0.784,显著高于APACHE Ⅱ(0.611)、SOFA(0.671)[14],另一项研究也证实机器学习模型在死亡率和肾脏恢复预测中优于评分工具[15]。

重症 AKI 患者具有高透析依赖的特征,接受肾脏替代治疗(RRT)的重症AKI患者短期死亡率超过50%[22]。Wang等[19]基于9种机器学习算法预测接受CRRT的AKI患者住院死亡率。训练队列中,轻量级梯度提升机(LightGBM)模型的AUC最高(0.954),而外部验证队列中,Lasso正则化逻辑回归(Lasso-LR)模型的AUC最高(0.756),且校正曲线和决策曲线分析(DCA)表现最优。Lasso-LR是一种用于特征选择和回归分析的机器学习技术,能自动选择重要特征,通过约束回归系数减少最终模型中包含的系数数量,从而简化模型。适合处理特征数量多且存在大量冗余特征的数据集,提高模型的预测性能和解释性。Wei等[17]则使用8种机器学习方法预测接受长期间歇肾脏持续替代治疗(PIRRT)的AKI患者30 d生存率及肾脏恢复情况。朴素贝叶斯在30 d生存预测中表现最佳,随机森林和K-最近邻分别在30 d和90 d肾脏恢复预测中表现最好。该研究分析血清钠和磷浓度是重要的预测因子,提示临床应重视AKI患者的电解质监测。

极端梯度提升(XGBoost)模型在处理复杂数据集和高维特征方面表现突出。Fan等[16]选取40个变量构建模型预测S-AKI患者7 d、14 d和28 d预后情况,XGBoost在所有时间点的AUC最高,DCA也显示其临床净收益最优。Li等应用CatBoost算法预测S-AKI患者1年死亡率,通过超参数优化将AUC提升至0.837,并利用决策树分析构建风险分层工具识别高危患者[4]。CatBoost和XGBoost都是基于梯度提升决策树(GBDT)的算法,通过迭代地添加新的决策树模型来改进预测结果。然而上述研究训练队列数据均来自公共数据库,虽然涵盖的病例异质性升高,但是一些随访数据的缺失却会限制模型的性能。例如在第二项研究中,因重要变量C反应蛋白和降钙素原缺失值率高而被排除,同时抗生素、血管活性药物或机械通气等治疗数据也存在缺失,这可能影响模型性能[4]。

实时预测模型能够提供关键的时间窗口以便采取预防措施,提高医疗资源的利用效率。一项近期的研究基于LightGBM和随机森林构建AKI实时预测模型,在多个独立验证队列中表现出一致的高预测性能,尤其对于AKI 2～3期预测的AUC为0.83～0.90[23]。AKI 严重程度的判断不仅影响短期预后,还可能导致长期肾功能不全和慢性肾脏病(CKD),早期干预减少后续风险的发生至关重要。

深度学习模型能够处理复杂的医疗数据,捕捉数据中的隐藏模式,并根据新信息动态调整预测。Tomašev等[24]早在2019年构建了基于深度循环神经网络(RNN)的连续预测模型,对未来需要透析的严重AKI事件预测准确率达90.2%,标志着AKI预后模型从传统静态评分向动态、个性化智能系统的重要跃迁。另一项基于RNN的深度学习模型动态预测术后患者24 h内AKI风险及其严重程度,该模型显示RNN在预测各阶段AKI时均优于传统统计学方法和机器学习模型。如RNN在预测AKI 1期的AUC为0.95,显著高于逻辑回归的0.81[25]。近年来Wu等[26]提出基于双向长短期记忆(BiLSTM)的“AKIEPM”,动态预测AKI患者的住院死亡和透析需求,预测24 h、48 h、72 h和7 d死亡的AUC分别为0.951、0.942、0.935和0.931。Oh等[27]构建的模型基于深度学习的S-AKI患者30 d主要肾脏不良事件(MAKE)最优风险预测模型(ORAKLE),每8 h动态输出个体化MAKE 30风险,预测能力高于COX比例风险模型及XGBoost。虽然AKI预后的深度学习相关研究较少,但其在动态预测AKI短期预后中展现巨大潜力。

针对不同预后结局,人工智能模型在风险早期识别中展现出重要价值。AKI预后人工智能模型已覆盖短期死亡、远期死亡、肾功能恢复及MAKE复合终点。

Wang等[19]构建的AKI院内死亡模型通过列线图发现感染性休克是最强预测因子。另一项多中心研究则通过随机森林模型SHAP排序强调血管活性药物使用、尿量、吸入氧浓度、血小板计数及血尿素氮的重要性[15]。Fan等[16]应用XGBoost预测28 d死亡,发现SOFA评分、尿量、平均动脉压等影响显著。这提示整合传统评分与易获得的实验室参数,可通过轻量模型评估AKI短期死亡风险。

长期预后方面,Li等[4]用CatBoost预测1年死亡AUC达0.81,年龄、ICU时间、GCS评分影响最大,且该模型通过了外部验证。Gu等[28]指出SOFA评分是90 d死亡率最重要的风险因素。关于肾功能恢复,Wei等[17]构建的30 d与90 d模型中,随机森林与K-最近邻分别表现最佳,钠、总蛋白、磷和AKI分期为共享预测因子。Zhong等[21]发现Lasso-LR模型在预测接受CRRT的AKI患者肾功能恢复情况中效果最好。对于MAKE 复合终点,Neyra等[15]用随机森林预测,训练和验证AUC为0.78及0.73,SHAP显示AKI的KDIGO分期、尿量、血管活性药用量等贡献最高。这些成果为AKI不同预后方向的精准预测提供了有力工具。

然而,仅依赖传统实验室指标和临床评分可能不足以全面捕捉AKI异质性。有研究发现功能磁共振弹性成像测得的肾脏弹性值与AKI患者12个月内估算的肾小球滤过率恢复相关,提示肾脏硬度越高,功能恢复越好[29]。因此,未来除了继续挖掘新型生物标志物外,还应着力构建融合临床、影像、组学等多源数据的人工智能模型,实现对AKI预后的机制理解与个体化预测的双重突破。

 尽管基于人工智能的AKI预后模型在预测性能上展现优势,其在实际应用中仍面临诸多挑战。

(1)研究设计与数据局限性。目前,大多数AKI预后研究为回顾性设计,存在选择偏倚和数据缺失,且研究多聚焦于短期预后,缺乏对长期预后的关注[30]。

(2)模型泛化能力不足。许多模型仅通过内部验证,缺乏外部验证,且AKI病因高度异质性进一步限制了模型普适性。

(3)早期预测敏感度低。AKI早期,血清肌酐、尿量等指标的变化不显著,未来需整合更敏感的AKI生物标志物以提高早期预测准确性。

(4)数据标准化与共享不足。不同医疗中心间数据差异大,增加了模型开发的复杂性。部分模型因样本量小或数据质量差存在过拟合风险,而关键变量缺失率高也会影响模型性能。未来需推动多中心大样本研究,构建高质量数据库以支持模型开发与验证。

(5)临床转化存在挑战。模型“黑箱”特性困扰临床医生理解,需通过可视化过程增强模型透明度。

预后模型是AKI患者风险分层和个体化治疗的关键工具。传统评分简便但精度有限。人工智能模型虽提升预测效能,却受限于可解释性。未来应重点开发可视化解释工具,构建多模态融合模型,推动多中心前瞻性研究,优化预测时限与结局指标,促进模型临床转化。随着人工智能技术不断发展,AKI预后模型有望为精准治疗提供有力支持。

参考文献

任静蕾 刘彩虹 综述 赵宇亮 审校

肾脏病与透析肾移植杂志订阅号整理