机器学习预测重症少尿性急性肾损伤患者的容量反应性
本研究基于美国MIMIC-III数据库,纳入ICU入科后前6小时尿量<0.5 ml/kg/h且随后6小时液体入量>5 L的少尿性AKI患者6682例,排除第1天使用利尿剂和/或肾脏替代治疗者。以初始6小时后18小时内尿量>0.65 ml/kg/h定义为容量反应性(VR),共2456例(36.8%)为VR。开发XGBoost机器学习模型和逻辑回归模型预测VR,按3:1拆分训练集与测试集进行样本外验证。XGBoost的AU-ROC为0.860(95%CI 0.842–0.878),优于逻辑回归的0.728(95%CI 0.703–0.753)。尿肌酐、血尿素氮、年龄和白蛋白是VR的重要预测因子。作者认为机器学习技术有潜力改善重症研究中预测模型的开发与验证,但本研究为假设生成研究,模型需外部验证。
要点
- 在MIMIC-III少尿性AKI患者中,XGBoost模型区分容量反应性的AU-ROC为0.860(95%CI 0.842–0.878),优于逻辑回归的0.728(95%CI 0.703–0.753)。
- 容量反应性定义为初始6小时少尿期后18小时内尿量>0.65 ml/kg/h(较基线增加30%),6682例中2456例(36.8%)为容量反应性。
- XGBoost模型中最重要的预测变量依次为尿肌酐、最大血尿素氮、年龄、白蛋白和最高体温。
- 逻辑回归中,年龄每增加20岁OR 0.69(95%CI 0.63–0.75)、血肌酐每升高0.1 mg/dl OR 0.98(95%CI 0.97–0.99)、乳酸每升高1 mmol/l OR 0.91(95%CI 0.88–0.94)与容量反应性概率降低相关。
- 逻辑回归中,白蛋白每升高1 g/dl OR 1.53(95%CI 1.38–1.71)、收缩压每升高20 mmHg OR 1.13(95%CI 1.04–1.23)、最低碳酸氢盐每升高5 mmol/l OR 1.12(95%CI 1.02–1.22)与容量反应性概率增加相关。
适用人群与场景
- ICU入科后前6小时尿量<0.5 ml/kg/h且随后6小时内液体入量>5 L的成人(年龄16岁及以上)AKI患者。
- 排除标准:观察期间离开ICU者;第1天接受任何利尿剂和/或肾脏替代治疗者。
- 数据来源为美国MIMIC-III数据库,包含2001年6月1日至2012年10月31日Beth Israel Deaconess Medical Center的ICU成人患者。
诊断标准与关键阈值
- 少尿定义:ICU入科后前6小时尿量<0.5 ml/kg/h,与KDIGO标准的尿量成分一致。
- 容量反应性(VR-AKI)定义:初始6小时少尿期后18小时内尿量>0.65 ml/kg/h,相当于较基线值增加30%;否则为容量不反应性(VU-AKI)。
研究设计与关键结果
- 研究类型为基于MIMIC-III数据库的预测模型开发与验证研究,共纳入6682例患者,其中2456例(36.8%)为容量反应性,4226例为容量不反应性。
- XGBoost模型与逻辑回归模型的AU-ROC分别为0.860(95%CI 0.842–0.878)和0.728(95%CI 0.703–0.753),XGBoost显著更优。
- XGBoost超参数:学习率=0.04,最小损失减少=10,最大树深度=9,子采样比例=0.6,树数量=300。
- VR组与VU组比较:择期手术比例18.2% vs 13.6%(p<0.001);最大血清肌酐1.74±1.50 vs 1.26±0.98 μmol/l(p<0.001);最低碳酸氢盐20.82±5.41 vs 22.24±4.32 mmol/l(p<0.001);最高红细胞压积35.14±5.69% vs 35.93±5.79%(p<0.001)。
- VR组尿pH更高(5.78±0.86 vs 5.66±0.79,p<0.001),尿肌酐更低(111.61±73.01 vs 132.51±79.89 mg/dl,p<0.001),收缩压更高(89.16±16.46 vs 85.09±18.03 mmHg,p<0.001),白蛋白更高(3.03±0.63 vs 2.83±0.66,p<0.001)。
- VR组机械通气率(31.3% vs 42.7%)、血管升压药使用率(22.8% vs 30.0%)和感染率(47.6% vs 62.4%)均低于VU组(p均<0.001)。
证据类型、等级与局限
- 证据类型:基于MIMIC-III数据库的预测模型开发与验证研究(假设生成性流行病学研究)。
- 本研究发现尿肌酐是区分VR与VU最重要的变量,其次为最大血尿素氮、年龄、白蛋白和最高体温。
- 局限:本研究为假设生成研究,模型需外部验证以确认其效用;原文未报告样本量估算,纳入数据库中所有符合条件的患者以最大化统计效能;缺失值>70%的变量被排除,尿钠和尿钾因>70%患者无数据而无法分析;缺乏大容量复苏指征的数据;仅探讨大容量液体入量的短期效应,未研究持续性AKI、无器官衰竭天数和死亡率等长期结局;原文结论指出需进一步流行病学研究用先进机器学习技术验证结果。
对床旁实践的改变
- 作者认为,XGBoost模型可帮助在ICU入科后即刻对少尿患者进行分层,从而更准确地将大容量液体给予极可能对液体复苏有反应的患者。
- 作者指出,目前缺乏可靠的工具在早期区分VR与VU-AKI;本研究结果提示机器学习技术有潜力改善重症研究中预测模型的开发与验证。
- 作者认为,未来需开展比较使用与不使用该预测模型的随机对照试验以探讨其有效性。
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
背景
急性肾损伤(AKI)在重症监护病房(ICU)中很常见,且有证据表明,即使血清肌酐轻度升高也可能与死亡风险增加相关[1–3]。根据肾脏病:改善全球预后(KDIGO)指南[4],AKI可通过血清肌酐升高或尿量减少来定义。少尿型AKI占全部AKI人群的相当大比例,并给液体管理带来巨大挑战。从病理生理学角度看,少尿可能代表AKI中的一种适应性反应,一旦通过正性液体平衡恢复有效循环容量,尿量便会改善。在这种情况下,补液或正性液体平衡可被认为是有益的,而那些通过更多液体而改善的患者可被认为存在容量反应性(VR)AKI。
静脉液体负荷试验常用于重症监护中,以恢复血压,从而分别改善低血压和少尿患者的尿量[5, 6]。然而,近期流行病学证据提示,大幅正性液体平衡可能对许多AKI患者改善尿量并无益处,甚至可能通过包括过度肾水肿在内的多种可能机制而加重肾功能损害[7]。后一种类型的AKI可被认为是不存在容量反应性(VU)的AKI[8]。由于器官功能障碍的早期改善与生存改善相关[9],如果我们能够通过识别哪些患者为VR还是VU AKI来调整液体治疗策略,那将是最理想的。
在动物模型中,电解质排泄分数在早期区分VR-AKI和VU-AKI方面表现良好[10]。然而,这些有前景的结果未能在人体研究中得到重复。Legrand等研究了尿钠对区分容量反应性的判别能力,发现其预测价值有限[11]。目前,关于如何在尿量反应方面识别VR和VU的AKI患者,临床信息很少。我们假设,先进的机器学习技术可能有助于识别可用于区分VR和VU AKI患者的最重要临床因素。在本研究中,我们旨在使用机器学习技术开发并验证一种AKI液体反应性模型,称为极端梯度提升(XGBoost),并将该模型的性能与传统的逻辑回归模型进行比较。
方法
数据来源
分析了一个名为重症监护医学信息集市(MIMIC-III)的美国大型重症监护数据库[12]。MIMIC-III数据库是一个整合的、去标识化的、综合性临床数据集,包含2001年6月1日至2012年10月31日期间入住马萨诸塞州波士顿贝斯以色列女执事医疗中心ICU的所有患者。在研究期间,共有53,423例成人患者(年龄16岁或以上)入住ICU的不同住院记录。由于本研究是对一个第三方匿名公开可用数据库的分析,且该数据库已事先获得机构审查委员会(IRB)批准,因此本研究免除了我们机构的IRB批准。本研究按照个体预后或诊断多变量预测模型透明报告(TRIPOD)声明的建议进行报告[13]。
参与者
当患者入住ICU后最初6小时内尿量低于0.5 ml/kg/h时,即考虑其符合入组条件。该定义与KDIGO标准中的尿量组成部分一致[4]。为考察液体复苏对后续尿量反应的影响,仅纳入在评估少尿的最初6小时之后的6小时内液体摄入量较大(> 5 l)的患者(图1)。液体摄入量和尿量从护理记录系统中提取,该系统比医嘱系统更准确地反映了实际入量或出量。观察期间离开ICU的患者被排除。此外,第1天接受任何利尿剂和/或肾脏替代治疗(RRT)的患者被排除。
结局(容量反应性)
以定义少尿的最初6小时之后18小时 period内的尿量作为结局。若患者尿量大于0.65 ml/kg/h,即较基线值增加30%,则被视为VR-AKI。否则,被定义为VU-AKI。
VR-AKI的预测因素
评估入住ICU最初6小时内常规收集的临床和实验室变量对容量反应性的预测能力。对于某些有多次测量的变量,同时评估最大值和最小值。分析了年龄、性别、族裔、入院类型、择期手术、ICU类型及感染是否存在,以及生命体征包括呼吸频率、血压、心率和体温。此外,还纳入了实验室数据,包括血糖、白细胞计数(WBC)、血细胞比容、氯、钾、钠、乳酸、肌酐、血尿素氮(BUN)、凝血功能、PaO2、PaCO2和pH。
由于这是一项产生假设的流行病学研究,未尝试估算研究的样本量;相反,纳入了数据库中所有符合条件的患者,以最大化预测模型的统计效能。由于缺失数据可能产生偏倚,缺失值> 70%的变量被排除在进一步分析之外。缺失程度较轻的其他变量采用多重插补法进行分析[14]。
统计分析
VR-AKI组与VU-AKI组之间的临床特征酌情采用Student t检验或秩和检验进行比较。采用卡方检验或Fisher精确检验比较分类变量的差异[15]。使用逐步logistic回归模型筛选预测容量反应性的变量。同时采用向前选择和向后剔除,在每一步对变量进行纳入或排除检验。使用赤池信息准则(AIC)作为剔除预测变量的选择标准[16]。
采用极端梯度提升(XGBoost)结合决策树来预测VR与VU。使用分类树作为弱学习器,学习目标函数为二元逻辑回归。提升方法通过迭代地将弱分类器(决策树)重新拟合到先前模型的残差上来工作。每个后续分类器在上一轮拟合中更加关注被错误分类的观测值[17]。在本研究中,我们在交叉验证过程中采用了300轮迭代,预期能够产生一个具有优越预测性能的强大集成分类器。过拟合可能是使用机器学习技术时的一个主要问题。在避免过拟合的同时理解数据中的复杂关系需要精细调整的超参数。XGBoost超参数包括学习率、在树的叶节点上进行进一步划分所需的最小损失减少量、树的最大深度、训练实例的子采样比例。原始数据集被随机划分为5个等大小的子样本用于自助验证(BV)。具体而言,4个子样本用于训练模型,然后在剩余的1个子样本中进行验证。如果(1)BV训练对数损失随着树的数量增加而下降,且(2)BV测试对数损失小于0.693且仅略大于训练对数损失(例如,对数损失0.693是二元分类器表现不优于随机猜测的性能:− log 0.5 ≈ 0.693),则认为超参数已充分调整。我们使用循环函数(网格搜索)来选择满足最小训练对数损失应大于第85百分位数、最小测试对数损失应小于第8百分位数的超参数。选择超参数后,BV过程运行100次以确定最终模型所需的树的数量。最终XGBoost模型中的树的数量由最后100次BV迭代中每次的最小BV测试对数损失确定,并计算该分布的第5百分位数。这是一种选择树数量的保守方法,文献中也有描述[18]。
结果
参与者
在ICU入科后最初6小时内尿量< 0.5 ml/kg/h的10,795例患者中,7491例患者(69.4%)在随后的6小时内接受了> 5 l的液体摄入。809例患者因在第一天接受利尿剂和/或RRT而被排除。共有6682例患者纳入我们的分析;2456例患者在ICU第1天患有VR-AKI,4226例患者患有VU-AKI(图2)。
VR组与VU组之间的特征差异见表1。VR组入住ICU前择期手术的患者多于VU组(18.2% vs. 13.6%;p < 0.001)。VU组的最高血清肌酐浓度(1.74 ± 1.50 vs. 1.26 ± 0.98 μmol/l;p < 0.001)更高,最低碳酸氢盐浓度(20.82 ± 5.41 vs. 22.24 ± 4.32 mmol/l;p < 0.001)和最高红细胞压积(35.14 ± 5.69 vs. 35.93 ± 5.79%;p < 0.001)更低。与VU组相比,VR组的尿pH更高(5.78 ± 0.86 vs. 5.66 ± 0.79;p < 0.001),尿肌酐更低(111.61 ± 73.01 vs. 132.51 ± 79.89 mg/dl;p < 0.001),收缩压更高(89.16 ± 16.46 vs. 85.09 ± 18.03 mmHg;p < 0.001),白蛋白更高(3.03 ± 0.63 vs. 2.83 ± 0.66;p < 0.001),机械通气率(31.3% vs. 42.7%;p < 0.001)、血管升压药使用率(22.8% vs. 30.0%;p < 0.001)和感染率(47.6% vs. 62.4%;p < 0.001)更低(表1)。
逐步logistic回归模型
逐步logistic回归模型的结果见表2。正如预期,高龄(每增加20岁的比值比[OR]为0.69;95%置信区间[CI]为0.63至0.75)、较高的血清肌酐(每增加0.1 mg/dl的OR为0.98;95% CI为0.97至0.99)和乳酸(每增加1 mmol/l的OR为0.91;95% CI为0.88至0.94)与容量反应性概率降低相关。相反,较高的白蛋白值(每增加1 g/dl的OR为1.53;95% CI为1.38至1.71)、收缩压(每增加20 mmHg的OR为1.13;95% CI为1.04至1.23)和最低碳酸氢盐(每增加5 mmol/l的OR为1.12;95% CI为1.02至1.22)与容量反应性概率升高相关(表2)。
XGBoost模型
我们分析中使用的超参数如下(由网格搜索确定):学习率 = 0.04,最小损失减少 = 10,最大树深度 = 9,子采样 = 0.6,树的数量 = 300。在这些超参数下,随着集成中树的数量增加,bootstrap验证(BV)训练对数损失下降,且随着树的增长,BV测试对数损失小于0.693且仅略高于BV训练对数损失(图3)。特征重要性通过某一变量进行分裂时误差减少量之和计算,反映了每个变量在区分VR与VU中所做的贡献。尿肌酐是区分VR组与VU组最重要的变量,其次是最高BUN、年龄、白蛋白和最高体温(图4)。
模型性能
使用受试者工作特征曲线下面积(AU-ROC)评估模型区分度。XGBoost的AU-ROC显著大于逻辑回归模型(AU-ROC分别为0.860;95% CI,0.842至0.878 vs. 0.728;95% CI,0.703至0.753;图5)。表3描述了两种模型在识别VR和VU状态时的分类或混淆矩阵。
讨论
在这项假设生成研究中,我们表明一些临床因素更可能与VR-AKI相关而非VU-AKI。使用先进的机器学习技术,我们能够识别一些与VR-AKI相关的重要临床因素,如年龄、尿肌酐浓度、最大BUN浓度和白蛋白。这些结果具有一定意义并需要进一步考虑。
首先,准确识别急性肾损伤(AKI)危重患者的容量反应性在临床上具有重要意义,可避免容量过多和容量不足。目前,尚缺乏可靠的工具在早期阶段区分容量反应性(VR)与容量无反应性(VU)的AKI。在本研究中,我们展示了诸如XGBoost建模等先进的机器学习技术能够丰富我们从数据库分析中获取的信息量,并使我们能够开发并验证一个性能优于传统逻辑回归技术的预测模型。该模型的潜在用途在于,它可以帮助在重症监护室(ICU)入院后立即对少尿患者进行分层。因此,可以更准确地将大量液体给予那些极有可能对液体复苏有反应的患者。有证据表明,液体超负荷可导致器官功能障碍、机械通气时间延长,甚至死亡[19–21]。因此,识别将从液体复苏中获益的患者至关重要。然而,本研究无法提供关于XGBoost模型有效性的更高水平证据。未来需要开展比较使用与不使用该预测模型治疗的随机对照试验,以探索其有效性。
其次,我们的结果表明,尿肌酐可能有助于区分VR和VU的AKI患者。可能的情况是,血清肌酐较高的患者也可能有较高的肌酐排泄至尿液中。由于前者是肾损伤的生物标志物(例如,较高的血清肌酐与较高的内在性损伤风险相关),后者也与VU-AKI风险增加相关。尿液生化指标预测AKI结局的效用文献中一直存在争议。尽管在一些动物和人体研究中,尿肌酐和电解质分数排泄等尿液生物标志物在VR组和VU组之间存在显著差异[10],但也有研究表明尿液生化指标可能无助于区分VR和VU AKI [22–25]。在我们的研究中,我们无法分析尿钠和尿钾区分VR和VU AKI的能力,因为很大比例(> 70%)的患者没有这些数据。
第三,我们发现,在单变量分析中,择期手术后发生急性肾损伤(AKI)并伴少尿的患者更可能对液体负荷试验有反应。接受择期手术的患者通常比需要急诊手术或存在内科急症的患者临床状况更好。术后少尿可由术中和术后不显性液体丢失导致的低血容量解释。因此,他们更可能从大手术后较大量的液体中获益。然而,在调整其他生理变量后,择期手术与容量反应性的相关性消失,提示低血容量可由收缩压、心率和血细胞比容等这些变量来体现。我们发现,入住重症监护病房(ICU)后24小时内血细胞比容升高也是容量反应性(VR)的独立预测因素(在logistic模型和XGBoost模型中均如此)。这一结果可由以下事实解释:血细胞比容与血管内血浆容量直接相关,较高的血细胞比容可能提示相对低血容量状态[26]。相反,入住ICU时较高的血清肌酐可能提示已存在的肾内固有损伤,而这种损伤更可能对液体负荷试验无反应。
本研究有一些优点和不足。XGBoost建模是一种尚未在重症监护研究中广泛采用的新技术。XGBoost算法已成功用于一些复杂场景,例如预测肺炎旁胸腔积液治疗失败[18],其中XGBoost模型的预测准确性显著优于广义线性模型。这并不令人意外,因为XGBoost模型是弱预测树的集成,能够在无需明确指定高阶交互和非线性函数的情况下捕捉数据中的复杂关系[27]。此外,该技术通过交叉验证和正则化进行了良好的设计以防止过拟合[17]。我们的结果提示,该技术有潜力在未来提高重症监护流行病学研究的效能。尽管如此,这是一项假设生成研究,对我们模型的外部验证对于确认其效用至关重要。本研究的一个局限性是我们没有关于大量液体复苏指征的数据。该研究并非设计的临床试验,无法预先指定大量液体负荷的指征。然而,我们随机选择了30例病例,发现6小时内接受> 5 l液体的患者正是那些有液体负荷指征以增加尿量的患者。此外,在我们的研究中,总体人群血压偏低(平均收缩压,85 mmHg)、心率升高(平均值,> 100/min)和乳酸升高(平均值,3 mmol/l),这与液体负荷的指征一致(表1)。临床医生可能出于多种不同原因给患者补液,例如低血压或心率升高,此外还可能试图改善少尿。本研究仅探讨了大量液体摄入的短期效应,其他长期结局如持续性AKI、无器官衰竭天数和死亡率未被研究。
结论
总之,这项假设生成研究表明,一些临床因素更可能与VR-AKI相关而非VU-AKI。XGBoost建模技术能够识别逻辑回归未能显现的VR-AKI预测因素,从而形成性能更优的预测模型来识别VR-AKI患者。进一步开展使用先进机器学习技术的流行病学研究以验证我们的结果,将有助于我们确定最适合纳入评估液体治疗对AKI获益的临床试验的患者。
参考来源
- Zhang Z, Ho KM, Hong Y, et al. Machine learning for the prediction of volume responsiveness in patients with oliguric acute kidney injury in critical care. Crit Care. 2019. PMID: 30961662. doi:10.1186/s13054-019-2411-z
- 全文:PMC6454725(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6454725/
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。