整合时间分阶段预测的体外膜氧合后急性肾损伤动态机器学习架构

《Frontiers in Physiology》:Dynamic machine learning architecture integrating time-phased predictions for acute kidney injury following extracorporeal membrane oxygenation

【字体: 大 中 小 】 时间:2026年10月22日 来源:Frontiers in Physiology 4.3

编辑推荐:

  背景:急性肾损伤(AKI)是体外膜氧合(ECMO)治疗中常见且严重的并发症,显著导致不良结局。目前缺乏用于早期准确检测的有效机器学习(ML)模型。本研究利用ECMO启动前(pre-ECMO)和ECMO启动后(on-ECMO)阶段的临床数据,开发了针对ECMO诱

  
背景:急性肾损伤(AKI)是体外膜氧合(ECMO)治疗中常见且严重的并发症,显著导致不良结局。目前缺乏用于早期准确检测的有效机器学习(ML)模型。本研究利用ECMO启动前(pre-ECMO)和ECMO启动后(on-ECMO)阶段的临床数据,开发了针对ECMO诱导的AKI(ECMO-AKI)的两阶段预测模型,并将两个模型整合形成一致性风险分层策略。方法:这项回顾性研究纳入2015年至2026年接受ECMO的344例患者。分别使用pre-ECMO和on-ECMO阶段的临床及实验室变量,通过纳入12种ML算法的分析框架开发两个ECMO-AKI诊断模型。采用多种分析方法评估pre-ECMOAKI和on-ECMOAKI模型。使用Shapley加法解释(SHAP)方法解释两个模型并量化和可视化特征。应用潜在类别增长混合模型(LCGMM)研究纵向特征轨迹与ECMO-AKI之间的关联。结果:pre-ECMOAKI和on-ECMOAKI模型与12种ML整合分别产生66种和91种组合。其中,glmBoost+梯度提升机(GBM)是预测ECMO-AKI的优选算法。pre-ECMOAKI(9个特征)和on-ECMOAKI(10个特征)模型表现出优秀的判别性能,在推导队列中的曲线下面积(AUC)分别为0.867(95%CI:0.819-0.911)和0.907(95%CI:0.870-0.941),在留出验证队列中分别为0.732(95%CI:0.678-0.780)和0.803(95%CI:0.711-0.889)。整合pre-ECMOAKI和on-ECMOAKI预测的风险分层框架在一致性高危组中识别ECMO-AKI事件的类别特异性精确率为90.23%,在一致性低危人群中识别非ECMO-AKI事件的精确率为90.79%。SHAP分析显示,内皮活化与应激指数(EASIX)、心肺复苏时间(CPRT)和总胆红素(TBI)是两个模型中的重要特征变量。限制性立方样条(RCS)回归、阈值效应分析和LCGMM提示,EASIX>4.7(持续升高趋势)、CPRT>24 min和TBI>20.2 μmol/L(持续上升趋势)与ECMO-AKI风险升高相关。结论:基于glmBoost+GBM构建的两阶段动态预测模型(pre-ECMOAKI和on-ECMOAKI)可作为ECMO-AKI准确且可解释的诊断工具。基于两个模型预测的一致性分析,该框架可实现早期风险分层,因而具有个体化管理潜力。
研究背景与目的

体外膜氧合(ECMO)是严重可逆性心肺功能障碍患者经标准治疗无效后的最后支持手段,但ECMO后死亡率仍达44%-62%。急性肾损伤(AKI)是ECMO期间的常见并发症,发生率约50%-70%,显著增加死亡、住院时间和医疗费用。目前AKI诊断依赖肌酐(Cr)和尿量,存在敏感性与特异性不足;既往研究仅关注孤立静态危险因素,缺乏反映肾损伤动态变化的工具,且尚无有效的时间分阶段机器学习(ML)预测模型。因此,本研究利用ECMO启动前(pre-ECMO)和启动后(on-ECMO)时相数据构建两阶段动态预测模型,以实现早期精准识别ECMO相关AKI(ECMO-AKI)并指导个体化管理。

研究方法概览

研究人员回顾性纳入2015年1月至2026年4月南方医科大学第八附属医院重症监护病房(ICU)接受ECMO的344例患者,按7:3分为推导队列(238例)和验证队列(106例)。采用多重插补(MICE)处理缺失值;分别对pre-ECMO(24小时内)和on-ECMO(初始4小时)变量进行单因素筛选与Boruta算法特征选择;将12种经典ML算法组合为多种建模策略(pre-ECMO 66种、on-ECMO 91种),以受试者工作特征曲线下面积(AUC)为主要指标并兼顾简约性与泛化性选择最优模型。使用方差膨胀因子(VIF)、Spearman相关、校准曲线、Brier评分、决策曲线分析(DCA)、5折交叉验证与Bootstrap重采样评估模型;采用Shapley加法解释(SHAP)、限制性立方样条(RCS)回归、阈值效应分析、配对检验和潜在类别增长混合模型(LCGMM)进行解释与特征分析。

主要结果

研究人群与患者特征:共筛查401例,排除57例后纳入344例;ECMO-AKI发生率为58.14%(200/344),AKI确诊时间中位数为67.2小时。AKI组与无AKI组在pre-ECMO和on-ECMO数据集中的多项特征差异显著。

初步特征筛选:单因素分析分别筛选出28个和39个候选特征;Boruta算法在pre-ECMO和on-ECMO数据集中分别识别12个和16个重要特征;剔除共线性变量后,15个变量进入on-ECMOAKI模型候选池。

两阶段ML模型开发与验证:比较66种和91种算法组合后,glmBoost+梯度提升机(GBM)组合为最优;pre-ECMOAKI模型包含9个特征(性别、CPRT、乳酸、Cr、总蛋白、TBI、降钙素原、凝血酶原时间、EASIX),on-ECMOAKI模型包含10个特征(乳酸、平均动脉压、白细胞、EASIX、Cr、TBI、凝血酶原时间、应激性高血糖比值、预后营养指数、甘油三酯-葡萄糖指数)。推导队列AUC分别为0.867和0.907,验证队列AUC分别为0.732和0.803。

两阶段ML模型评估:变量间无显著共线性;校准曲线显示预测概率与观测概率一致,Brier评分分别为0.169和0.139,校准斜率分别为1.004和1.000;DCA显示阈值概率范围内净获益优于“全部干预”或“不干预”策略;5折交叉验证与Bootstrap显示模型稳定性良好。多因素logistic回归中,两个模型均为ECMO-AKI的独立预测因子(校正后OR分别为3.49和3.25);亚组分析显示整体稳健,部分亚组存在交互作用。

敏感性分析:剔除Cr和EASIX后,两模型AUC仍达0.703和0.784;排除ECMO启动48小时内死亡患者后,AUC分别为0.816和0.874,提示结果稳健。

基于SHAP的模型解释:SHAP重要性排序显示,pre-ECMOAKI模型前五位为EASIX、总蛋白、乳酸、TBI、CPRT;on-ECMOAKI模型前五位为TyG、EASIX、PNI、TBI、白细胞。全局解释显示EASIX、乳酸、TBI与风险正相关,总蛋白、PNI、平均动脉压与风险负相关;局部解释可为个体患者量化危险因素贡献。

通过Web应用程序的临床实施:研究者构建了两个免费在线计算器(https://lglcz.shinyapps.io/Pre-ECMO/ 和 https://lglcz.shinyapps.io/On-ECMO/),便于临床实时计算个体风险。

两阶段ECMO-AKI模型与APACHE II、SOFA-2、EASIX和Cr的比较:两个模型AUC均高于EASIX、Cr、APACHE II和SOFA-2,DeLong检验差异有统计学意义;DCA显示净临床获益更优。

基于一致性预测框架的风险分层:pre-ECMOAKI判定225例高危,其中174例在on-ECMOAKI中仍为高危,157例发生AKI;119例低危中76例在on-ECMOAKI中仍为低危,69例未发生AKI。一致性高危组AKI事件的类别特异性精确率为90.23%(157/174),一致性低危组非AKI事件的精确率为90.79%(69/76),该框架覆盖72.67%的研究对象。

模型预测因子与ECMO-AKI风险分析:RCS回归发现多个预测因子与ECMO-AKI呈非线性关系;阈值效应分析确定CPRT>24 min、pre-ECMO EASIX>4.7、on-ECMO EASIX>10.3、pre-ECMO TBI>20.2 μmol/L等风险切点;配对检验显示AKI患者乳酸、TBI、凝血酶原时间、SHR、PNI、EASIX在ECMO启动前后显著变化;LCGMM显示EASIX“低-快速上升”轨迹、乳酸“高-缓慢上升”轨迹和TBI“高-快速上升”轨迹的AKI发生率显著升高。

讨论与结论

既往仅有一个小样本回顾性研究(n=139)基于on-ECMO数据构建了ECMO-AKI列线图,存在样本量不足、传统建模方法难以捕捉非线性关系、缺乏动态性、可解释性和在线工具等局限。本研究利用12种ML算法组合构建了两阶段动态模型,兼顾早期预警窗口与预测精度。一致性预测框架可为一致性高危患者提供血流动力学优化、避免肾毒性药物、控制感染与炎症、早期规划肾脏替代治疗等干预依据;对一致性低危患者可减少监测并促进早期康复与撤机。特征分析显示EASIX等指标对应内皮激活、肾灌注不足、代谢紊乱、营养不良、凝血异常等病理生理通路,其中EASIX在模型中重要性突出且动态变化与AKI相关。研究局限包括单中心回顾性设计、缺乏外部验证、未采用嵌套重抽样、无法直接指导靶向干预、预测模型反映相关而非因果等。结论:基于glmBoost+GBM构建的两阶段动态预测模型(pre-ECMOAKI和on-ECMOAKI)是准确、可解释、可在线使用的ECMO-AKI诊断工具;基于两个模型预测一致性可进行早期风险分层,有望促进个体化管理。
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