基于机器学习的ICU静脉血栓栓塞症合并急性肾损伤患者低白蛋白血症预测模型构建与验证

《Frontiers in Medicine》:Machine learning-based prediction model for hypoalbuminemia in ICU patients with venous thromboembolism and acute kidney injury

【字体: 大 中 小 】 时间:2026年10月13日 来源:Frontiers in Medicine 3.6

编辑推荐:

  摘要专业翻译 背景: 低白蛋白血症是重症监护病房(ICU)中合并静脉血栓栓塞症(VTE)与急性肾损伤(AKI)患者常见且危重的并发症,与死亡率升高及住院时间延长显著相关。然而,针对这一高危人群的低白蛋白血症早期预测可靠工具仍然有限。本研究旨在开发并验证一种基于

  
摘要专业翻译 背景: 低白蛋白血症是重症监护病房(ICU)中合并静脉血栓栓塞症(VTE)与急性肾损伤(AKI)患者常见且危重的并发症,与死亡率升高及住院时间延长显著相关。然而,针对这一高危人群的低白蛋白血症早期预测可靠工具仍然有限。本研究旨在开发并验证一种基于机器学习的预测模型,用于ICU中VTE与AKI共存患者的低白蛋白血症风险预测。 方法: 这项回顾性研究分析了585例合并VTE与AKI的ICU患者数据。患者被分为训练队列(n=409)和验证队列(n=176)。采用标准化最小绝对收缩与选择算子(LASSO)回归进行特征选择。开发了五种机器学习模型——逻辑回归(LR)、随机森林(RF)、极端梯度提升(XGBoost)、轻量梯度提升机(LightGBM)和支持向量机(SVM)——并使用5折交叉验证进行评估。模型性能通过受试者工作特征曲线下面积(AUC)、准确率、精确率、召回率和F1分数进行评估。对最优模型进行了决策曲线分析(DCA)、Shapley加性解释(SHAP)和特征重要性分析。将最优机器学习模型的性能与传统ICU严重程度评分(APSIII、LODs和OASIS)进行了比较。 结果: 标准化LASSO回归确定了十个最优预测因子:肌酐(cr)、年龄、肿瘤/癌症、体质指数(BMI)、低密度脂蛋白(LDL)、尿量、D-二聚体(D_D)、查尔森合并症指数、抗凝药物使用和丙氨酸氨基转移酶(ALT)。在五种模型中,XGBoost取得了最佳预测性能,验证AUC为0.882 [95%置信区间(CI):0.832–0.924],其次是RF(AUC=0.878)、LightGBM(AUC=0.870)、LR(AUC=0.838)和SVM(AUC=0.662)。XGBoost的5折交叉验证AUC为0.901±0.042,过拟合极小(CV-测试差异=?0.019)。决策曲线分析显示XGBoost模型在广泛的阈值概率范围内具有良好的临床净获益。SHAP分析和特征重要性一致确定尿量、年龄、LDL、BMI和D-二聚体为最主要的贡献因素。与传统ICU严重程度评分相比,XGBoost模型显著优于APSIII(AUC=0.661)、LODs(AUC=0.652)和OASIS(AUC=0.647)。基于逻辑回归的列线图实现了0.838的C指数,为临床医生提供了一种用户友好的床旁工具。 结论: 基于机器学习的XGBoost模型整合了十个易于获取的临床变量,在预测ICU中VTE与AKI患者的低白蛋白血症方面表现出优异的预测性能。该模型为早期风险分层提供了一种实用且可解释的工具,并可能指导对这一脆弱人群的主动营养和治疗干预。

论文解读

一、研究背景与问题

静脉血栓栓塞症(VTE)和急性肾损伤(AKI)是重症监护病房(ICU)中最常见且最严重的两种并发症,具有显著的发病率和死亡率负担。VTE涵盖深静脉血栓形成和肺栓塞,约影响10%–30%的危重患者,并与死亡率增加三倍相关。AKI发生在高达50%的ICU入院患者中,独立预测不良结局,包括进展为慢性肾病和医疗费用增加。VTE与AKI的共存形成了一个特别脆弱的患者群体,其特征是血流动力学不稳定、全身炎症和代谢紊乱,易引发一系列继发性并发症。
低白蛋白血症定义为血清白蛋白水平低于30–35 g/L,是危重患者营养缺乏、全身炎症和毛细血管渗漏综合征的公认标志。它是不良结局的强预测因子,包括机械通气时间延长、感染率增加、ICU住院时间延长和死亡率升高。在VTE和AKI患者中,低白蛋白血症可能通过多种机制加重疾病严重程度:损害药物结合(特别是抗凝药和抗生素)、胶体渗透压降低导致组织水肿、免疫功能受损以及促血栓状态加重。尽管具有临床意义,但早期识别有低白蛋白血症风险的患者仍具挑战性,因为传统临床评估往往缺乏预测精度。
传统ICU严重程度评分,如急性生理学评分III(APSIII)、逻辑器官功能障碍系统(LODs)和牛津急性疾病严重程度评分(OASIS),为一般ICU人群提供了有价值的预后信息。然而,这些评分主要设计用于死亡率预测,可能无法充分捕捉VTE和AKI患者中导致低白蛋白血症的特定病理生理途径。此外,它们通常需要广泛的数据收集和复杂的计算,限制了其在针对性营养风险评估方面的床旁实用性。
机器学习(ML)已成为开发临床预测模型的强大方法,能够识别变量之间复杂的非线性关系,并提高超越传统统计方法的预测准确性。然而,据研究人员所知,尚无研究专门开发基于ML的预测模型用于VTE与AKI共存的ICU患者的低白蛋白血症。因此,本研究旨在开发并验证这一高危人群的低白蛋白血症预测模型。

二、研究内容与结论

研究人员开展了一项回顾性研究,在江南大学附属医院(中国无锡)进行。纳入2021年1月至2025年12月期间连续收治的ICU中诊断为VTE和AKI的患者,共585例,按7:3比例随机分为训练队列(n=409)和验证队列(n=176)。通过标准化LASSO回归筛选出十个最优预测因子,并比较五种机器学习模型的预测性能。结果显示,XGBoost模型表现最佳,验证AUC为0.882,显著优于传统ICU评分(APSIII、LODs、OASIS),为临床早期风险分层提供了实用且可解释的工具,可指导对这一脆弱人群的主动营养和治疗干预。

三、主要关键技术方法

研究人员采用了以下关键技术方法:(1)标准化LASSO回归(最小绝对收缩与选择算子,一种通过L1正则化进行特征选择的方法)结合5折交叉验证筛选最优预测因子;(2)五种机器学习算法,包括逻辑回归(LR,一种经典的线性分类模型)、随机森林(RF,一种基于决策树的集成学习方法)、极端梯度提升(XGBoost,一种梯度提升框架)、轻量梯度提升机(LightGBM,一种基于直方图的梯度提升算法)和支持向量机(SVM,一种基于核方法的分类器);(3)5折分层交叉验证评估模型内部稳定性;(4)决策曲线分析(DCA,评估临床净获益的方法);(5)SHAP分析(Shapley加性解释,一种模型可解释性方法)和特征重要性分析;(6)Bootstrap重采样(2,000次迭代)估计AUC的95%置信区间;(7)方差膨胀因子(VIF)评估多重共线性。样本队列来源于江南大学附属医院ICU。

四、研究结果

基线特征分析: 研究共纳入585例VTE合并AKI的ICU患者,低白蛋白血症总体发生率为57.1%(334/585),训练队列(56.5%)和验证队列(58.5%)的发生率相当。通过基线特征比较发现,两组在APSIII、LODs、OASIS、年龄、身高、体重、BMI、收缩压、舒张压、平均动脉压、血红蛋白、血小板、红细胞压积、碳酸氢盐、肌酐、碱性磷酸酶、总胆红素、钙、INR、凝血酶原时间、D-二聚体、LDL、尿量、肿瘤/癌症、肝病、CRRT、抗凝药物、血管活性药物和ACEI等方面存在统计学显著差异(P<0.05)。
特征选择与多重共线性评估: 标准化LASSO回归结合5折交叉验证确定了十个最优特征:肌酐(标准化系数=0.802)、年龄(0.725)、肿瘤/癌症(0.638)、BMI(0.627)、LDL(0.550)、尿量(0.487)、D-二聚体(0.459)、查尔森合并症指数(0.406)、抗凝药物使用(0.307)和ALT(0.281)。肌酐和年龄在线性模型中成为最强的独立预测因子,而尿量和BMI在非线性树模型中表现出显著贡献。多重共线性评估显示所有VIF值均低于1.6(最高为查尔森合并症指数,VIF=1.53),表明所选特征之间无显著共线性。
模型性能比较: 在五种机器学习模型中,XGBoost取得了最佳预测性能,验证AUC为0.882 [95% CI:0.832–0.924],其次是RF(AUC=0.878)、LightGBM(AUC=0.870)、LR(AUC=0.838)和SVM(AUC=0.662)。XGBoost的5折交叉验证AUC为0.901±0.042,过拟合极小(CV-测试差异=?0.019),表明模型具有良好的泛化能力。
临床效用与模型解释: 决策曲线分析显示XGBoost模型在广泛的阈值概率范围内相比“全部治疗”和“不治疗”策略具有更优的临床净获益。SHAP分析和特征重要性一致确定尿量、年龄、LDL、BMI和D-二聚体为最主要的贡献因素,为模型的预测机制提供了可解释性依据。
与传统ICU评分的比较: 与传统ICU严重程度评分相比,XGBoost模型显著优于APSIII(AUC=0.661)、LODs(AUC=0.652)和OASIS(AUC=0.647),表明该模型在预测低白蛋白血症方面具有明显优势。此外,基于逻辑回归的列线图实现了0.838的C指数,提供了一种用户友好的床旁工具。

五、讨论与结论

研究人员开发的基于机器学习的XGBoost模型整合了十个易于获取的临床变量,在预测ICU中VTE与AKI患者的低白蛋白血症方面表现出优异的预测性能。该模型不仅显著优于传统ICU严重程度评分,还通过SHAP分析提供了模型可解释性,明确了各预测因子的贡献方向。模型采用常规临床数据,具有良好的床旁实用性和临床可操作性。该模型的临床意义在于能够实现对低白蛋白血症高危患者的早期识别和风险分层,从而指导临床医生及时采取主动的营养支持和治疗干预措施,可能改善这一脆弱人群的预后。研究结论表明,该模型为ICU中VTE合并AKI患者的低白蛋白血症早期风险分层提供了一种实用且可解释的工具,并可能指导对这一脆弱人群的主动营养和治疗干预。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号