《Renal Failure》:Time-updated explainable machine learning predicts short-term mortality in peritoneal dialysis patients
编辑推荐:
摘要目的:本研究旨在开发并验证一种时间更新型、可解释的机器学习(ML)早期预警系统,用于预测持续非卧床腹膜透析(CAPD)患者的短期死亡风险。方法:在这项回顾性研究中,研究人员对多种有监督机器学习技术进行了验证,以分层识别6个月内死亡高风险个体;在本中心1,4
摘要目的:本研究旨在开发并验证一种时间更新型、可解释的机器学习(ML)早期预警系统,用于预测持续非卧床腹膜透析(CAPD)患者的短期死亡风险。方法:在这项回顾性研究中,研究人员对多种有监督机器学习技术进行了验证,以分层识别6个月内死亡高风险个体;在本中心1,484例CAPD患者中训练分类器、进行内部验证,并开展独立时间验证。研究收集了时间更新的标志物,如患者人口学特征、临床特征及实验室数据,以构建机器学习模型,并通过受试者工作特征曲线下面积(AUC)和准确率评估8种机器学习模型的性能。进一步采用SHapley Additive exPlanation(SHAP)方法解释预测模型,并将结果与临床可操作性相关联。结果:在内部验证队列中,轻量梯度提升机(LightGBM)模型表现最佳,AUC为0.888,准确率最高为0.879。在时间验证队列中,LightGBM模型同样显示出良好的分类性能,AUC达到0.850,准确率为0.874。此外,SHAP分析识别出若干有助于LightGBM模型准确预测的关键特征。结论:时间更新型LightGBM早期预警系统可基于易于获得且动态更新的数据,帮助临床医生尽早识别6个月内死亡高风险的CAPD患者,并为个体化治疗提供依据。
该论文发表于《Renal Failure》,聚焦于持续非卧床腹膜透析(CAPD)患者短期死亡风险的动态预测问题。终末期肾病(ESKD,终末期肾脏病)患者接受CAPD治疗后,虽可获得残余肾功能保留和生活质量改善等益处,但死亡风险仍然较高,尤其心血管相关死亡仍是重要结局。既往风险预测工具多依赖某一固定时间点的临床资料,尤其是实验室结果和影像学指标,不仅可能增加专门检测成本,还难以整合多维度、连续更新的电子健康记录(EHR)数据,且对复杂、非线性风险关系的刻画能力有限。与此同时,现有研究更偏重长期死亡结局,而对1年内尤其6个月内的短期死亡风险识别相对不足,这直接影响临床及时干预、照护目标讨论和个体化管理决策。因此,开展基于时间更新数据的短期死亡预测研究具有重要现实意义。
针对上述问题,研究人员开展了一项基于真实世界EHR数据的回顾性队列研究,构建并验证了一个时间更新型、可解释的机器学习(ML)预警系统,用于预测CAPD患者6个月全因死亡风险。研究纳入武汉市第一医院2021年1月至2025年2月期间接受CAPD治疗的1,484例患者,比较了逻辑回归(LR)、随机森林(RF)、k近邻(KNeighbors)、决策树(DT)、极端梯度提升(XGBoost)、轻量梯度提升机(LightGBM)、支持向量机(SVM)和Stacking集成分类器共8种模型的表现。结果显示,LightGBM在内部验证和时间验证中均表现出最优的区分能力,并借助SHapley Additive exPlanation(SHAP,基于Shapley值的模型解释方法)和局部可解释模型无关解释(LIME)实现了全局与个体层面的预测解释。研究表明,利用常规、可获得且持续更新的实验室与临床数据,可以建立具有较高准确性和较强可解释性的短期死亡预警工具,为CAPD患者个体化治疗和早期风险干预提供支持。
从方法上看,研究人员以武汉市第一医院CAPD患者队列为样本来源,纳入年龄≥18岁、以CAPD为初始肾脏替代治疗(RRT)且治疗至少3个月、并具备完整EHR预测变量数据的患者。研究将患者常规季度检验结果按“患者-半年”时间更新结构整理,每一次季度实验室检查对应一个独立样本,并链接其后6个月全因死亡结局。研究共提取42个变量,包括人口学特征、透析时长和实验室指标。经低方差筛除、Spearman相关性过滤和Boruta特征选择后进行建模;采用合成少数类过采样技术(SMOTE)平衡类别分布,并通过按患者聚类的5折交叉验证联合网格搜索优化超参数。模型性能在内部验证队列和独立时间验证队列中通过AUC、准确率、敏感度、特异度、Brier评分、校准曲线和决策曲线分析(DCA)进行评估,同时利用SHAP和LIME增强可解释性。
一、Baseline characteristics
研究首先比较了各队列的基线特征。结果显示,所有特征及6个月死亡结局在不同队列之间分布基本可比。患者平均年龄为61岁,两组死亡率分别为12.5%和10.6%。这一结果提示训练、内部验证与时间验证数据在总体构成上具有一定一致性,为后续模型开发与验证提供了基础。
二、Construction of ML models in the training set
在建模阶段,研究最初纳入4项人口学特征和38项血液指标。Spearman相关分析显示,各临床特征之间不存在强相关。进一步经Boruta特征选择后,单核细胞、平均血小板体积和活化部分凝血活酶时间(APTT)被判定为重要性较低并予以剔除。随后,研究人员利用筛选后的关键临床指标构建8种机器学习模型,用于预测CAPD患者6个月死亡风险。内部验证结果表明,LightGBM模型获得最佳预测性能,AUC为0.888;随机森林模型获得最高准确率,为0.882。其余模型在特异度、敏感度和Brier评分方面亦表现良好,校准曲线、DCA曲线及混淆矩阵进一步表明所有模型总体均具有满意性能。该部分结果说明,基于时间更新的常规EHR数据,机器学习方法能够较好实现CAPD患者短期死亡分层,其中LightGBM在综合判别能力方面最优。
三、ML model interpretations with SHAP
在模型解释方面,研究采用SHAP对LightGBM模型进行全局与局部解释。全局解释显示,临床特征可通过平均SHAP值量化其对模型预测的贡献,且前10位重要特征被进一步展示。研究识别出的可干预关键预测特征包括C反应蛋白(CRP)、血清白蛋白、血红蛋白、全段甲状旁腺激素(iPTH)和红细胞(RBC)计数,这些指标均具有明确临床意义,并具备干预靶点。局部解释中,SHAP依赖图揭示了单个特征变化对LightGBM预测输出的影响规律;SHAP值低于0通常对应较低的6个月死亡风险预测。进一步通过瀑布图和力图,对6个月内死亡或存活的代表性个体进行解释,展示了不同特征如何共同推动模型给出高风险或低风险判断。这一结果表明,该模型不仅具有较高性能,而且在临床上具备一定透明性,有助于将风险预测与具体干预方向相联系。
四、Real clinical application examples of the lightGBM model
为增强模型在临床实践中的可用性,研究人员进一步采用LIME展示LightGBM对个体患者6个月死亡风险的判定逻辑。对于1例6个月内死亡患者,模型正确识别其为高死亡风险,预测概率为0.83,主要依据为透析时长、RBC和PTH水平较低,以及血红蛋白(HGB)水平较高;其中较低CRP对最终分类产生了相反方向影响。对于1例6个月后仍存活患者,模型正确预测其为低死亡风险,概率为0.12,主要依据为CRP和总胆固醇(TC)较低,以及RBC和体重指数(BMI)较高,而透析时长和血小板(PLT)较低则提供了不同方向的信息。该部分说明,在临床指标存在相互矛盾的情况下,LIME可帮助临床医生理解模型为何作出特定判断,从而辅助风险评估与决策。
五、Temporal validation the ML models
在独立时间验证队列中,研究进一步检验模型的稳健性与泛化能力。结果显示,LightGBM模型仍获得最佳预测性能,AUC为0.850;而Stacking模型获得最高准确率,为0.877。其余性能指标同样见于表格结果,校准曲线、DCA曲线和混淆矩阵提示8种模型在时间验证中均有满意表现。研究还指出,该模型仅使用时间更新的常规实验室数据,而未依赖专门影像检查或额外检测,但其区分性能与近期既有研究相比具有可比性。这提示该模型在资源可及性和实际推广潜力方面具有优势。
讨论部分指出,本研究首次综合使用8种先进机器学习模型,基于常规可获得且时间更新的EHR数据,对CAPD患者6个月死亡风险进行预测,并证明LightGBM在内部验证与时间验证中均具有优异表现,体现出模型的稳健性。研究的重要贡献不仅在于性能提升,也在于引入SHAP与LIME增强可解释性,使模型由“黑箱”向“透明化”转变。与既往依赖炎症评分、腹膜透析相关腹膜炎风险评分、超声心动图列线图等工具相比,本研究提出的是一种“可及且可操作”的范式,即充分利用常规随访中必然生成的纵向实验室数据,将其转化为低成本、可扩展的预后工具。相较于既往多采用基线静态变量构建模型,本研究采用时间更新结构,更贴近CAPD患者风险动态变化的真实过程,因此在短期预后识别上更具临床意义。
研究同时指出其局限性:作为单中心回顾性研究,可能存在选择偏倚和未测量混杂;部分潜在预后变量如衰弱程度、功能状态、用药依从性、健康素养和社会经济因素未被纳入;模型识别的是统计学关联而非因果关系;尽管使用了时间更新数据,但仍主要基于最近一次临床评估,而未显式建模生物标志物的长期轨迹。未来需要在多中心、多地区人群中开展前瞻性外部验证,并评估模型嵌入EHR系统后是否真正改善住院、资源分配及照护结局。
研究结论部分可译为:总之,本研究所建立的时间更新型、可解释机器学习框架并不限于CAPD患者,还可作为其他慢性病人群风险分层的可扩展模板,包括非透析慢性肾脏病(CKD)、心力衰竭、糖尿病和慢性阻塞性肺疾病。该方法基于常规收集的电子健康记录数据、严格的聚类感知验证以及透明且面向干预的可解释性设计,可较容易迁移至任何需要动态风险监测以改善患者结局的慢性疾病管理场景,从而使本研究的意义超越肾脏病学领域。