ORAKLE:利用深度学习对脓毒症相关急性肾损伤患者30天主要不良肾脏事件进行最优风险预测
本研究为回顾性研究,利用MIMIC-IV(16671例)开发、SICdb(2665例)和eICU-CRD(11447例)外部验证ORAKLE模型,纳入ICU入住48小时内发生AKI的脓毒症-3患者,预测30天内MAKE30(死亡、新透析或持续性肾功能不全)。ORAKLE每8小时更新预测,内外部验证AUROC为0.84、0.83、0.85,均显著优于Cox和XGBoost模型,Brier评分0.21提示校准良好。该模型可动态评估MAKE30风险,为个体化AKI管理和临床试验富集提供工具。
要点
- ORAKLE在MIMIC-IV内部测试集预测MAKE30的AUROC为0.84(95%CI 0.83–0.86),优于Cox模型0.80(95%CI 0.78–0.82)和XGBoost模型0.81(95%CI 0.79–0.83)。
- 外部验证中ORAKLE同样表现优异:SICdb AUROC 0.83(95%CI 0.81–0.85),eICU-CRD AUROC 0.85(95%CI 0.84–0.85)。
- 模型每8小时更新预测,从AKI发作起至7天,预测时间越往后性能越好,第7天C-index达0.87(MIMIC-IV)、0.86(SICdb)、0.88(eICU-CRD)。
- 特征重要性显示AKI分期是最强预测因子,其次为年龄、体重、血清肌酐和SOFA评分。
- ORAKLE尚未在前瞻性临床环境中部署验证,且仅纳入ICU入住48小时内发生AKI的患者。
适用人群与场景
- 成人(年龄≥18岁)脓毒症患者,在ICU入住48小时内发生AKI,来自MIMIC-IV、SICdb和eICU-CRD三个公共重症监护数据库。
- 排除有终末期肾病病史或既往肾移植的患者。
- 不适用于孤立性少尿定义的AKI患者,以及ICU外发生AKI的患者。
诊断标准与关键阈值
- 脓毒症定义依据Sepsis-3:疑似感染(静脉抗生素使用与血培养采集同时进行,血培养在抗生素开始后24小时内采集或抗生素在血培养采集后72小时内给药)且SOFA评分在24小时内增加≥2分。
- AKI定义依据KDIGO:48小时内血清肌酐升高≥0.3 mg/dL,或7天内血清肌酐升至基线值的至少1.5倍。
- MAKE30定义:30天内死亡、新开始透析、或最终住院血清肌酐≥基线血清肌酐的200%(以出院或ICU入住后30天中较早者截尾)。
研究设计与关键结果
- 回顾性研究,开发队列MIMIC-IV 16671例(训练集13336例,内部测试集3335例),外部验证SICdb 2665例和eICU-CRD 11447例。
- MAKE30发生率:MIMIC-IV 29%,SICdb 26%,eICU-CRD 39%。
- 内部测试集AUROC:ORAKLE 0.84(95%CI 0.83–0.86)vs Cox 0.80(95%CI 0.78–0.82)vs XGBoost 0.81(95%CI 0.79–0.83);SICdb:0.83(95%CI 0.81–0.85)vs 0.79(95%CI 0.77–0.81)vs 0.80(95%CI 0.78–0.83);eICU-CRD:0.85(95%CI 0.84–0.85)vs 0.81(95%CI 0.80–0.82)vs 0.83(95%CI 0.83–0.84)。
- AKI发作时AUROC:内部测试集ORAKLE 0.79(95%CI 0.77–0.80)vs Cox 0.75(95%CI 0.73–0.77)vs XGBoost 0.75(0.73–0.77);SICdb 0.79(95%CI 0.77–0.81)vs 0.76(95%CI 0.74–0.78)vs 0.76(0.74–0.78);eICU-CRD 0.79(95%CI 0.78–0.80)vs 0.77(95%CI 0.76–0.78)vs 0.78(0.77–0.79)。
- 第7天AUPRC:内部测试集ORAKLE 0.79(95%CI 0.77–0.81)vs Cox 0.68(95%CI 0.64–0.72)vs XGBoost 0.70(95%CI 0.66–0.74),所有比较P<0.01;SICdb ORAKLE 0.76(95%CI 0.73–0.79)vs Cox 0.64(95%CI 0.59–0.68)vs XGBoost 0.69(95%CI 0.65–0.73);eICU-CRD ORAKLE 0.83(95%CI 0.82–0.84)vs Cox 0.75(95%CI 0.73–0.77)vs XGBoost 0.77(95%CI 0.75–0.80)。
- Brier评分:ORAKLE在内部测试集、SICdb和eICU-CRD均为0.21(95%CI分别为0.21–0.21、0.20–0.21、0.20–0.21),提示校准良好。
- 特征重要性:AKI分期最强,其次为年龄、体重、血清肌酐和SOFA评分。
证据类型、等级与局限
- 证据类型:回顾性观察性研究,使用三个公共重症监护数据库开发并验证深度学习模型,遵循TRIPOD AI报告规范。
- 局限:回顾性分析易受选择偏倚和潜在混杂因素影响;未专门针对慢性肾脏病患者调整基线血清肌酐,可能轻微高估MAKE30风险;模型尚未在前瞻性真实临床环境中部署;样本仅限ICU入住48小时内发生AKI的患者,可能限制向所有AKI患者或ICU外AKI患者的推广;AKI定义未包括孤立性少尿患者,结果可能不适用于该亚组。
对床旁实践的改变
- ORAKLE可每8小时动态更新脓毒症相关AKI患者30天内MAKE30风险预测,帮助临床医生识别高风险患者并个体化调整治疗。
- 该模型仅基于回顾性数据开发验证,尚未在前瞻性临床环境中评估其有效性,目前不能作为常规临床决策工具。
提炼说明
- 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译12 节 · 点击展开
引言
急性肾损伤(AKI)在脓毒症危重患者中很常见。它与高死亡率、长期肾功能障碍以及医疗系统的巨大负担相关[1–3]。为应对AKI研究中的挑战并将焦点转向以患者为中心的结局,美国国立糖尿病、消化和肾脏疾病研究所急性肾损伤临床试验工作组于2012年推荐了一种复合结局指标[4]。该指标涵盖死亡、开始透析或血清肌酐持续升高,被广泛认可为主要不良肾脏事件(MAKE)。MAKE指标为评估AKI对患者的影响提供了有价值的基准。
尽管在理解AKI病理生理学方面取得了相当大的进展,但其管理的临床试验在很大程度上未能证明疗效。推进新型和现有治疗策略需要能够准确识别具有有意义终点(如MAKE)高风险的患者。当前的管理方法依赖于优化液体状态、避免肾毒性药物、控制潜在病因(如脓毒症)以及维持血流动力学稳定。我们先前的工作已证明,通过利用先进的数据驱动方法改进临床决策,可以对这些方法进行个性化调整,以更好地满足患者的特定需求[5]。通过准确预测MAKE等结局,我们不仅可以指导个性化护理,还可以为临床试验创建富集队列,改善对新型和现有干预措施的评估。
然而,当前用于MAKE的预测模型依赖于静态的、预定义的时间点[6, 7],限制了其在动态和复杂临床环境中的实用性。这些模型未能捕捉肾功能的波动性质[8]和危重疾病的快速变化,患者病情可迅速演变。本研究旨在通过引入ORAKLE(使用深度学习对急性肾损伤患者进行mAke30的最优风险预测)来弥合这一差距,这是一种新型深度学习模型,用于预测30天内MAKE的发生(MAKE30)。ORAKLE利用时间序列数据和事件时间建模来捕捉患者特征的时间动态,并提供稳健的个体化风险预测。通过整合这些先进技术,ORAKLE有可能革新AKI结局预测,实现动态的、以患者为中心的临床管理方法,并改善这一高风险人群的结局。
材料与方法
研究设计与数据来源
我们利用三个公开可用的重症监护数据库开展了一项回顾性观察性研究——重症监护医学信息库(MIMIC-IV)3.1版、萨尔茨堡重症监护数据库(SICdb)和eICU协作研究数据库(eICU-CRD)1.0.8版。MIMIC-IV [9] 数据库包含2008年至2022年间入住美国马萨诸塞州波士顿贝斯以色列女执事医疗中心(BIDMC)重症监护病房(ICU)的危重患者的电子健康记录。SICdb [10] 包含奥地利萨尔茨堡大学医院2013年至2021年的ICU患者记录。eICU-CRD [11] 涵盖2014—2015年间美国208个ICU收治患者的去标识化电子健康记录。该数据集提供了对不同医疗环境下ICU实践和结局的洞察。所有数据集均通过映射相应变量并标准化定义和测量单位,统一至MIMIC-IV框架。差异通过转换为MIMIC-IV标准加以解决,确保数据集间的临床一致性。
我们将MIMIC-IV数据集分为两个子集——训练集(80%)和内部测试集(20%)。我们利用SICdb和eICU-CRD数据库进行独立外部验证,以评估模型的泛化能力。
研究人群
我们纳入了所有成年(年龄≥18岁)、在ICU入住后48小时内发生AKI的脓毒症危重患者。我们根据脓毒症与脓毒性休克第三次国际共识定义(Sepsis-3)[12]定义脓毒症,根据肾脏疾病改善全球结局(KDIGO)[13]指南定义AKI。我们基于疑似感染和24小时内序贯器官衰竭评估(SOFA)[14]评分增加≥2分的组合来识别脓毒症患者[8]。与既往研究[12, 15]一致,我们假定ICU入住前SOFA评分为零。我们通过同时给予静脉抗生素和采集血培养来定义疑似感染。具体而言,血培养必须在静脉抗生素开始后24小时内采集,或静脉抗生素必须在血培养采集后72小时内给予[16]。我们将脓毒症确定为疑似感染时间或SOFA时间中较早者,前提是SOFA时间发生在疑似感染前不超过24小时或后不超过12小时[17]。由于SICdb和eICU-CRD数据库提供的液体采样数据有限,我们依赖抗生素给药的发生来定义疑似感染,该方法此前已在文献中得到验证[18]。
根据KDIGO指南,我们将AKI定义为48小时内血清肌酐升高≥0.3 mg/dL,或7天内血清肌酐升高至基线值的至少1.5倍[13]。为估算基线血清肌酐,我们首先确定入院前12个月内测得的血清肌酐中位数[8, 19]。对于该期间无测量值的患者,我们使用肾脏疾病饮食改良公式,假设估算肾小球滤过率为75 mL/min/1.73 m2来估算血清肌酐[13]。与既往研究一致,基线血清肌酐定义为测量值或反推计算值中的较低者与入院时首次血清肌酐中的较低值[8, 19]。我们排除了有终末期肾病病史或既往肾移植的患者。
结局
主要关注结局为30天主要不良肾脏事件(MAKE30)[20, 21],这是一个复合指标,定义为(1)死亡,(2)开始新的透析,或(3)出院时或ICU入住后30天(以较早者为准)的最终住院血清肌酐≥基线血清肌酐的200%。
特征
我们从电子健康记录中提取了一组全面的预测变量,涵盖患者信息的多个领域(表1和补充表S1)。这些包括人口学特征(如年龄、性别、种族/民族)、生命体征(如心率、呼吸频率)、实验室检查结果(如血清肌酐、血尿素氮[BUN])、严重程度评分(如AKI分期、序贯器官衰竭评估[SOFA][14]评分)和治疗变量(如机械通气、血管升压药使用)。
仅纳入在队列中超过70%患者中存在的特征。临床特征根据情况在每个8小时时间区间内求和或取平均值。预测变量构建的时间窗口从AKI发病(基线)延伸至发病后7天。基于临床专业知识排除了生理学上不合理的值,详见补充表S2,其中概述了所用阈值及研究期间观察到的数值频率。按照这些数据集中处理缺失值的标准做法,对所有特征应用了前向填充插补,但药物、液体摄入和尿量除外,这些在缺失时赋值为零。为处理任何剩余的缺失值,我们应用了链式方程多重插补(MICE)[22]。
ORAKLE:模型开发与验证
我们使用Dynamic DeepHit框架[23]来捕捉患者特征的时间动态变化。因此,ORAKLE使用了一个深度学习生存分析框架,旨在预测时间-事件结局,同时能够处理时间依赖协变量。它有两个关键子网络:(1)时间序列子网络,实现为长短期记忆(LSTM)网络,以有效建模和投影多变量时间序列观测值;(2)病因特异性子网络,由一个全连接网络组成,输出在给定估计时间每个病因特异性结局的概率。模型参数通过最大化一个复合似然函数进行训练,该函数包括三个关键组成部分:(1)病因特异性累积发生率函数的似然,定义为在特定时间观察到事件的累积概率除以在所有时间观察到事件的边际概率;(2)病因特异性结局排序的似然,基于以下假设:在特定时间经历事件的患者应表现出比未经历事件的患者更高的预测风险;(3)时间序列模型的似然,由实际与预测时间变化协变量之间差值的乘积导出。这种双子网络结构使ORAKLE能够同时捕捉多变量时间序列数据中的时间变化模式和建模风险随时间的变化。与传统生存模型(如Cox回归)假设比例风险或静态预测因子不同,ORAKLE动态地捕捉时间依赖风险,能够在任何给定时间点进行精确且适应性强的风险预测。
我们使用相对于AKI发病特定时间范围内可用的时间序列特征来训练ORAKLE。在每个时间范围,时间序列特征被聚合后作为模型输入。从AKI发病开始,以8小时间隔进行预测,并在以下最早发生的事件处进行删失:AKI后7天、转出ICU或发生MAKE30(图1a)。我们的神经网络架构由三个长短期记忆(LSTM)层组成,每层包含100个隐藏节点,随后是三个全连接层,每层同样包含100个隐藏节点。为防止过拟合,我们在源自MIMIC-IV的训练数据集上训练模型,随后在同样来自MIMIC-IV的独立测试数据集上评估性能。模型迭代训练直至似然函数收敛。
为评估我们的MAKE30预测模型的性能,我们将其与Cox比例风险模型和XGBoost模型作为基准进行比较。由于Cox和XGBoost模型本身不支持时间序列数据,我们为每个预测时间分别构建了Cox和XGBoost模型。在每个指定时间点,模型使用可用特征来估计MAKE30的风险(图1b)。
统计分析
我们报告了连续特征的均值及标准差以及分类变量的比例。我们使用方差分析(ANOVA)检验连续变量、卡方检验分类变量,检查了各队列(MIMIC-IV、SICdb和eICU-CRD)之间的差异,在所有统计检验中P值<0.05被认为具有统计学显著性。
我们使用C指数在每个预测时间点比较ORAKLE与Cox比例风险模型在生存分析中的表现。我们进一步在每个预测时间点使用两个关键指标比较ORAKLE与Cox比例风险模型和XGBoost的性能:受试者工作特征曲线下面积(AUROC)和精确率-召回率曲线下面积(AUPRC)。AUROC通过绘制真阳性率与假阳性率来衡量整体判别能力,提供模型在不同阈值下的综合评估。AUPRC衡量精确率(真阳性预测占所有阳性预测的比例)与召回率(正确识别的真阳性占所有实际阳性的比例)之间的权衡。我们还报告了MAKE30结局的宏平均AUROC和AUPRC,汇总所有预测时间点的性能[24]。我们使用10,000次Bootstrap重采样来估计95%置信区间并确定结局之间差异的显著性。
此外,我们使用Brier Score评估所提出的ORAKLE模型的校准性能,该指标评估概率预测的准确性。为了估计95%置信区间并评估结局之间差异的显著性,我们采用了10,000次Bootstrap重采样迭代。
为了使模型的预测具有可解释性,我们使用SHapley Additive exPlanations(SHAP)值评估特征重要性。平均绝对SHAP值量化单个预测因子对结局(MAKE30)的影响,值越高表示在模型预测中重要性越大,值越低反映影响越小。
所有统计分析均使用Python 3.6.13版本、TensorFlow 1.13版本和R软件4.3.0版本进行。我们遵循TRIPOD(多变量预测模型个体预后或诊断透明报告)AI指南[25]报告临床预测模型研究,详见补充表S3。
结果
研究人群
本研究采用三个不同的数据库来开发和验证ORAKLE——一个以连续方式预测30天内主要不良肾脏事件(MAKE30)的深度学习模型。从MIMIC-IV数据库中,16,671名患者符合纳入标准,其中13,336名(80%)用于模型开发,3335名(20%)作为内部测试队列(补充图S1)。外部验证使用两个独立队列进行:来自SICdb数据库的2665名患者和来自eICU-CRD数据库的11,447名患者。MIMIC-IV队列患者的平均年龄为67.5岁,男性占58.3%。SICdb队列的平均年龄为66.5岁,男性占62.1%。相比之下,eICU-CRD队列的平均年龄为66.2岁,男性占55.9%。所有队列基线特征的详细汇总见表1和补充表S1。MAKE30的总体发生率在MIMIC-IV中为29%,在SiCdb中为26%,在eICU-CRD中为39%(表2)。
ORAKLE的性能
在所有队列中,ORAKLE始终表现出优于Cox比例风险模型的性能。图2展示了不同预测时间点的C指数,详细数值见补充表S4。当在AKI发病时进行预测,ORAKLE在MIMIC-IV中达到的C指数为0.78(95% CI:0.77–0.80),在SICdb中为0.77(95% CI:0.79–0.81),在eICU-CRD中为0.78(95% CI:0.79,0.80),而Cox模型分别达到的C指数为MIMIC-IV 0.75(95% CI:0.73–0.77)、SICdb 0.76(95% CI:0.74–0.78)和eICU-CRD 0.77(95% CI:0.76–0.78)。这种优越性能在整个预测时间范围内持续存在;值得注意的是,在AKI发病后7天的预测时间点,ORAKLE在MIMIC-IV中保持了一致性0.87(95% CI:0.86–0.89),在SICdb中为0.86(95% CI:0.84–0.88),在eICU-CRD中为0.88(95% CI:0.87–0.88),而Cox模型分别为MIMIC-IV 0.83(95% CI:0.80–0.85)、SICdb 0.83(95% CI:0.81–0.85)和eICU-CRD 0.84(95% CI:0.83–0.85)。ORAKLE在MIMIC-IV、SICdb和eICU-CRD队列中MAKE30事件的生存曲线见图3。
此外,当使用AUROC和AUPRC进行评估时,ORAKLE在预测MAKE30方面始终优于Cox比例风险模型和XGBoost模型(图4和图5,以及补充表S5和S6)。对于内部测试集,ORAKLE达到了宏平均AUROC 0.84(95% CI:0.83–0.86),显著高于Cox模型的宏平均AUROC 0.80(95% CI:0.78–0.82)和XGBoost模型的宏平均AUROC 0.81(95% CI:0.79–0.83)。这一性能优势在外部验证队列中保持一致。在SICdb队列中,ORAKLE达到了AUROC 0.83(95% CI:0.81–0.85),而Cox模型为0.79(95% CI:0.77–0.81),XGBoost模型为0.80(95% CI:0.78–0.83);而在eICU-CRD队列中,ORAKLE达到了AUROC 0.85(95% CI:0.84–0.85),而Cox模型为0.81(95% CI:0.80–0.82),XGBoost模型为0.83(95% CI:0.83–0.84)。所有差异均具有统计学显著性。
在AKI发病时,ORAKLE在预测性能方面较Cox比例风险模型表现出明显优势。在内部测试集中,ORAKLE达到了AUROC 0.79(95% CI:0.77–0.80),显著优于Cox模型的AUROC 0.75(95% CI:0.73–0.77)和XGBoost模型的AUROC 0.75(0.73,0.77)。这一趋势在外部验证队列中持续存在,其中ORAKLE在SICdb队列中达到了AUROC 0.79(95% CI:0.77–0.81),而Cox模型为0.76(95% CI:0.74–0.78),XGBoost模型为0.76(0.74,0.78);在eICU-CRD队列中,ORAKLE达到了AUROC 0.79(95% CI:0.78–0.80),而Cox模型为0.77(95% CI:0.76–0.78),XGBoost模型为0.78(0.77,0.79)。
随着预测时间点距AKI发病越来越远,模型性能稳步提高了预测表现。在内部测试集和外部验证队列中,随着预测窗口从AKI发病推进至发病后7天,ORAKLE和Cox比例风险模型的AUROC值均呈上升趋势。然而,ORAKLE与这两个模型之间的性能差距在此期间持续存在,突显了ORAKLE在利用延长时间序列数据进行更准确和动态风险预测方面的优越能力。
ORAKLE在AUPRC方面也始终优于Cox比例风险模型。ORAKLE在MIMIC-IV、SICdb和eICU-CRD队列中的宏观平均AUPRC分别为0.74(95% CI:0.71–0.76)、0.71(95% CI:0.68–0.74)和0.80(95% CI:0.79–0.81),而Cox模型分别为0.64(95% CI:0.60–0.68)、0.58(95% CI:0.54–0.62)和0.72(95% CI:0.71–0.74),XGBoost模型分别为0.65(95% CI:0.62–0.69)、0.62(95% CI:0.58–0.66)和0.72(95% CI:0.70–0.74)。在AKI发病时,ORAKLE在内部测试集中的AUPRC为0.61(95% CI:0.58–0.65),而Cox模型为0.58(95% CI:0.54–0.61)(p < 0.01),XGBoost模型为0.57(95% CI:0.53–0.60)(p < 0.01)。虽然所有模型在预测时间点距AKI发病越远时均表现出性能改善,但ORAKLE展现出更显著的提升,反映了其利用时间序列数据的增强能力。到第7天,ORAKLE在内部测试集中达到的AUPRC为0.79(95% CI:0.77–0.81),而Cox模型为0.68(95% CI:0.64–0.72),XGBoost模型为0.70(95% CI:0.66–0.74),所有比较的p值均< 0.01(图5和补充表S6)。
在外部队列中观察到了相似的趋势。在AKI发病时,ORAKLE在SICdb队列中的AUPRC为0.60(95% CI:0.56–0.64),在eICU-CRD队列中为0.69(95% CI:0.67–0.70),而Cox模型分别为0.53(95% CI:0.49–0.56)和0.67(95% CI:0.66–0.69),XGBoost模型分别为0.56(95% CI:0.52–0.59)和0.65(95% CI:0.64–0.67)。到第7天,ORAKLE在SICdb队列中达到的AUPRC为0.76(95% CI:0.73–0.79),在eICU-CRD队列中为0.83(95% CI:0.82–0.84),分别优于Cox模型的AUPRC 0.64(95% CI:0.59–0.68)和0.75(95% CI:0.73–0.77),以及XGBoost模型的AUPRC 0.69(95% CI:0.65–0.73)和0.77(95% CI:0.75–0.80)。
最后,我们使用Brier评分评估了ORAKLE的校准度。ORAKLE的Brier评分在内部测试集中为0.21(95% CI:0.21–0.21),在SICdb中为0.21(95% CI:0.20–0.21),在eICU-CRD中为0.21(95% CI:0.20–0.21)。图6a显示了模型的校准图,图6b展示了ORAKLE在三个队列中随时间变化的Brier评分。
特征重要性
在预测时,AKI分期成为预测MAKE30最具影响力的变量,其次是年龄、患者体重、血清肌酐和SOFA评分(图7)。
讨论
在本研究中,我们开发了ORAKLE,一种旨在动态预测MAKE30的深度学习模型,其利用患者随时间不断演变的临床特征。该模型从AKI发病开始,每8小时生成一次预测,并持续至AKI发生后前7天。这一8小时间隔在及时更新需求与为临床医生留出足够时间做出知情决策之间取得平衡,确保了临床相关性。ORAKLE表现出色,具有较高的AUROC和AUPRC值,并已在多个多样化数据集中得到验证——一个异质性的美国队列和一个欧洲ICU队列。这一稳健的验证凸显了模型的泛化能力及其在不同临床环境中支持动态、可操作决策的潜力。
AKI领域的大多数预测模型主要聚焦于预测AKI本身的发生[26]。然而,在已经患有AKI的患者中,识别那些处于MAKE等不良结局高风险的患者至关重要。了解这一风险对于根据个体患者需求调整现有治疗,以及为新建或现有干预措施的临床试验筛选富集患者样本至关重要。KDIGO指南提供了AKI管理的框架,其已在随机对照试验环境中被证明可改善结局[27]。然而,在常规临床实践中对这些指南的依从性明显较低[28, 29],很大程度上 due于其非特异性性质以及确定哪些患者将从推荐意见中特定组成部分最大获益的挑战。我们先前的工作已证明,可以为患者亚组制定基于共识的特定AKI管理建议[30],表明指南中的这一局限性可以被解决。尽管如此,关键的下一步在于识别治疗对个体患者的差异化效应。实现这一点需要对MAKE30等不良结局进行动态、时间敏感的风险评估。通过实现这种不断演变的风险评估,我们不仅可以完善个性化治疗策略,还可以优化治疗评估,为真正个体化的AKI管理铺平道路。
针对预测MAKE的研究匮乏,且现有模型均未将随时间演变的时间序列数据纳入预测。例如,Neyra及其同事比较了逻辑回归、随机森林、支持向量机和极端梯度提升等多种机器学习算法在预测120天时MAKE方面的性能[7]。虽然他们的模型在外部队列验证中表现出良好性能,AUC为0.73,但该模型未考虑时变协变量,且仅限于住院前3天的危重成年患者,限制了其泛化能力。同样,Xiaoyuan及其同事基于ICU入住后24小时内收集的变量,利用列线图开发了MAKE30的早期预警模型[31]。他们的模型表现出良好的预测性能,外部队列验证中AUC为0.82,但仅限于ICU入住后第一天的预测,且未纳入随时间演变的数据。这在ICU中尤为关键,因为患者的临床状况高度动态变化。我们先前的工作已证明,肌酐随时间的变化是急性肾脏疾病和死亡率的显著预测因子[8]。因此,捕捉临床特征的这种动态演变对于准确预测AKI患者的结局至关重要。与依赖特定时间间隔内采集的固定数据点的静态模型不同,ORAKLE采用双子网络架构设计用于动态预测。它利用LSTM网络处理多变量时间序列数据,并结合全连接病因特异性网络来估计给定时间各结局的概率。这一创新架构对AKI进展提供了更深入、更细致的理解,有效解决了静态预测模型固有的局限性。
长短期记忆网络(LSTM)是一种循环神经网络(RNN),旨在通过解决传统RNN的梯度消失和梯度爆炸问题来处理时间序列数据[32, 33]。与前馈网络独立处理输入不同,RNN通过隐藏状态维持“记忆”,使其能够对时间依赖性和序列依赖性进行建模。然而,标准RNN通常难以保留长期信息。LSTM通过其独特的架构解决了这些局限性,该架构包括记忆单元和门控机制。这些组件能够选择性地保留、更新和移除信息,使LSTM能够在扩展序列中维持相关上下文。这一能力使其在时间序列预测等任务中特别有效。在临床应用中,LSTM擅长对时间依赖性健康数据进行建模,如电子健康记录(EHR)和连续监测输出,整合抽象变量和时间上相距较远的变量[34]。与Cox回归和XGBoost等难以对随时间变化的动态关系进行建模的传统模型不同,LSTM专为处理具有变化模式的序列数据而设计。当变化为非线性时,或当存在Cox和XGBoost模型无法很好捕捉的复杂时间依赖性依赖关系时,这一点尤为明显。这使得LSTM成为对AKI等疾病结局进行建模的更优选择,因为在这类疾病中肾功能可能快速变化,治疗决策需要根据不断变化的患者数据持续调整。
尽管ORAKLE表现出强大的性能,但必须承认其局限性。首先,作为一项回顾性分析,它本质上易受偏倚影响,例如选择偏倚和潜在混杂因素,这些可能影响结果的解释。然而,该研究表现出良好的泛化能力,这在其内部和两个不同的外部验证数据集中的强大性能中得到了体现。其次,我们没有针对慢性肾脏病(CKD)患者特别调整基线血清肌酐,这与既往文献一致[8, 35–37]。这可能导致我们的模型略微高估这些患者的MAKE30风险。另一种方法是,当无法获得肌酐历史值时,对于有CKD记录病史的患者,使用入院肌酐作为基线[38]。在我们的数据中,这种调整会使MIMIC-IV中的AKI发生率降低1.2%,SICdb中降低2.2%,eICU中降低0.7%,并使MAKE30发生率分别降低1.6%、3.7%和1.1%。然而,使用入院肌酐作为基线可能会低估这些患者的MAKE30风险。由于我们的工具旨在用于筛查,我们倾向于采用保守方法,即略微高估风险而不是低估风险。第三,虽然该模型表现出强大性能,但尚未在真实世界临床环境中进行前瞻性部署。虽然该模型提供了一个易于部署的框架,但下一步是将其应用于临床实践,以评估其在动态临床环境中的有效性。第四,我们的样本由在ICU入院最初48小时内发生AKI的患者组成,这可能限制研究结果对所有AKI患者或在ICU环境之外发生AKI的患者的普适性。最后,我们的AKI定义未包括孤立性少尿患者,因此,研究结果可能不适用于这一患者亚组。
总之,我们开发了一个稳健的模型,标志着MAKE30预测和AKI管理方面的重大进展。通过整合动态演变的时间序列特征,该模型能够更准确地反映肾损伤、治疗反应和患者进展的动态性质。这种方法能够实现个体化风险评估并识别对治疗的差异化反应,为更个性化和有效的管理策略铺平道路。
补充信息
补充材料1。
参考来源
- Oh W, Veshtaj M, Sawant A, et al. ORAKLE: Optimal Risk prediction for mAke30 in patients with sepsis associated AKI using deep LEarning. Crit Care. 2025. PMID: 40420108. doi:10.1186/s13054-025-05457-w
- 全文:PMC12105202(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12105202/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。