文献速递消化、代谢与肾脏急症重症综合管理与镇静镇痛

急性肾损伤机器学习风险评分的内部与外部验证

Internal and External Validation of a Machine Learning Risk Score for Acute Kidney Injury.
PubMed 文献 · JAMA Netw Open · 2020-08-03
一句话结论机器学习AKI风险评分在3个医疗系统外部验证中AUC达0.85-0.86,可在SCr翻倍前约27-39小时预警重度AKI。

该诊断研究在芝加哥大学(UC,48463例)、洛约拉大学医学中心(LUMC,200613例)和北岸大学健康系统(NUS,246895例)共495971例成人住院患者中,对简化版梯度提升机器学习AKI预测模型进行内部与外部验证。主要结局为48小时内KDIGO SCr定义的2期AKI,三个队列AUC分别为0.86、0.85、0.86;预测48小时内需肾脏替代治疗AUC均≥0.95。概率阈值≥0.057可在SCr最终翻倍前中位数27-39小时预警2期AKI,提示该工具可能作为临床决策支持工具改善AKI检测。

要点

  • 预测48小时内2期AKI的AUC:UC 0.86(95%CI 0.86-0.86)、LUMC 0.85(95%CI 0.84-0.85)、NUS 0.86(95%CI 0.86-0.86)。
  • 预测48小时内需肾脏替代治疗的AUC均≥0.95:UC 0.96(95%CI 0.96-0.96)、LUMC 0.95(95%CI 0.94-0.95)、NUS 0.95(95%CI 0.94-0.95)。
  • 概率阈值≥0.057时,预测2期AKI发生较SCr最终翻倍提前中位数:UC 27(6.5-93)小时、NUS 34.5(19-85)小时、LUMC 39(19-108)小时。
  • UC队列阈值≥0.057时敏感度87.1%、NPV 99.5%、PPV 27.0%,可在住院期间识别2期AKI高危患者。
  • 所有站点所有亚组预测48小时内2期AKI的AUC均>0.80;入院SCr 2.0-2.9 mg/dL者表现最佳,NUS该亚组预测24小时内2期AKI的AUC为0.93(95%CI 0.92-0.93)。

适用人群与场景

  • 成人(≥18岁)住院患者,来自UC(城市三级转诊医院)、LUMC(郊区三级转诊医院)和NUS(郊区4医院医疗网络)共6家医院、3个医疗系统。
  • 排除:入院无SCr记录者;入院初始SCr≥3.0 mg/dL者;既往有慢性肾脏病4期及以上诊断代码者;在病房、急诊或ICU以外地点发生KDIGO 2期AKI者;首次SCr记录后48小时内需肾脏替代治疗者。

诊断标准与关键阈值

  • AKI定义采用KDIGO共识的SCr标准;基线SCr定义为入院SCr值,并按KDIGO指南以48小时和7天标准滚动更新。
  • 主要结局为每次观察后48小时内发生SCr定义的KDIGO 2期AKI(SCr翻倍)。
  • 概率阈值≥0.057用于预警2期AKI;UC队列该阈值敏感度87.1%、NPV 99.5%、PPV 27.0%。

研究设计与关键结果

  • 2期及以上AKI发生率:UC 48463例中15664例(3.4%)、LUMC 200613例中5711例(2.8%)、NUS 246895例中3499例(1.4%);需肾脏替代治疗:UC 332例(0.7%)、LUMC 672例(0.3%)、NUS 440例(0.2%)。
  • 预测48小时内至少2期AKI的AUC:UC 0.86(95%CI 0.86-0.86)、LUMC 0.85(95%CI 0.84-0.85)、NUS 0.86(95%CI 0.86-0.86)。
  • 预测48小时内接受肾脏替代治疗的AUC:UC 0.96(95%CI 0.96-0.96)、LUMC 0.95(95%CI 0.94-0.95)、NUS 0.95(95%CI 0.94-0.95)。
  • 时间-事件分析中,概率阈值≥0.057预测2期AKI发生较SCr最终翻倍提前中位数(IQR):UC 27(6.5-93)小时、NUS 34.5(19-85)小时、LUMC 39(19-108)小时。
  • UC和LUMC队列中ICU患者预测2期AKI的判别力略高于病房患者,差异小(差值0.01-0.02);三个队列病房患者判别力非常接近。
  • 三个队列中入院SCr较高者模型表现更好,入院SCr 2.0-2.9 mg/dL者表现最佳;NUS该亚组预测24小时内2期AKI的AUC为0.93(95%CI 0.92-0.93)。
  • 所有站点所有亚组预测48小时内2期AKI的AUC均>0.80;术后与非术后患者表现几乎相同,三个队列预测术后48小时内2期AKI的AUC均>0.84。

证据类型、等级与局限

  • 证据类型:诊断研究,回顾性队列(数据前瞻性收集),内部与外部验证,遵循TRIPOD报告规范。
  • 局限:仅通过SCr变化定义AKI,因无法在所有住院患者中获取准确每小时尿量以符合KDIGO定义。
  • 局限:因三个数据集限制(如仅能获取住院数据),基线SCr采用入院值而非门诊值;未来需研究该假设对模型准确性的影响。
  • 局限:排除了住院期间未测SCr的患者,模型不适用于这些患者。
  • 局限:校准图显示模型对最高风险十分位患者高估风险。
  • 局限:外部验证队列大多为教学医院,且均在伊利诺伊州。
  • 局限:确定临床行动的最佳阈值需干预性试验,未来需开展。

对床旁实践的改变

  • 模型使用电子健康记录中常规可获取的人口学特征、生命体征、实验室值和护理评估(如Braden评分)实时计算风险概率。
  • 作者认为,将风险评分与早期肾脏聚焦照护配对可能改善最高危AKI患者的结局。
  • 作者指出,使用该工具需在患者首次达到特定风险阈值时实施干预以增强AKI预防能力。
  • 作者指出,需未来干预性试验确定平衡检出率与假警报的最佳临床行动阈值。

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。
  • 另有 1 条提炼内容因数值无法与原文逐一核对而未列出,请以原文为准。
全文中译9 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2020 Aug 11;3(8):e2012892. doi: 10.1001/jamanetworkopen.2020.12892

引言

急性肾损伤(AKI)是住院患者中常见的临床综合征,与发病率、死亡率和医疗费用的增加相关。1,2,3 共识标准将AKI定义为血清肌酐(SCr)浓度升高或尿量减少。4 多年来,人们一直在研究能够在这些变化之前检测AKI的生物标志物。然而,迄今为止,这些工具的在大规模验证和实施方面仍然有限。在SCr浓度变化之前检测AKI可能提供一个关键的机会窗口,以预防进一步损伤,并使临床医生能够进行干预,以期改善患者预后。

虽然关于早期AKI尿液和血清生物标志物的研究工作仍在继续,5,6,7 但已有多个研究团队报告了基于电子健康记录的风险评分的准确性,这些评分可以在SCr浓度变化之前识别AKI。8,9,10,11,12,13,14 这些已发表算法的范围各不相同,有些仅关注病房或重症监护病房(ICU)患者,另一些则关注术后AKI。8,9,10,11,12,13,14 此外,这些算法从基于规则的、较为简约的评分到复杂的、基于机器学习的评分不等。8,10,13 然而,无论采用哪种个体评分,这些风险评估工具的外部验证仍然有限。本团队此前曾利用芝加哥大学(UC)的单中心数据,发表了一个针对所有住院患者(即急诊科、病房和ICU患者)的梯度提升机器学习AKI预测模型。10 我们随后简化了该风险评分,并将简化版本临床实施,作为单中心随机对照试验的一部分,用于提示早期肾脏病咨询。15 在本研究中,我们旨在使用来自独立医疗系统的回顾性队列(伊利诺伊州梅伍德的洛约拉大学医学中心[LUMC]和伊利诺伊州埃文斯顿的北岸大学健康系统[NUS]),对简化版AKI评分进行内部(在UC)和外部验证。

方法

研究人群

我们在这项回顾性队列研究中纳入了3个不同的成人(≥18岁)患者队列,数据为前瞻性收集。所有在UC(一家城市三级转诊医院)住院的成人患者均来自我们既往发表的AKI算法开发研究10中的验证队列(2008年至2016年),用于模型的内部验证。外部验证在2007年至2017年入住LUMC(一家郊区三级转诊医院)以及2006年至2016年入住NUS(一个郊区4医院医疗保健网络)的成人患者中进行。排除标准为:住院期间无记录的SCr浓度;入院初始SCr浓度至少为3.0 mg/dL(转换为微摩尔每升,乘以88.4);既往任何住院或门诊就诊中有4期或更高分期慢性肾脏病的诊断代码;在病房、急诊科或ICU以外的地点发生肾脏疾病改善全球结局(KDIGO)2期AKI(即SCr浓度加倍);或在首次记录的SCr测量后48小时内需要肾脏替代治疗(KRT)。10研究方案经UC、LUMC和NUS机构审查委员会批准,并基于最小伤害和不可行性豁免知情同意。我们遵循了个体预后或诊断多变量预测模型的透明报告(TRIPOD)报告指南。16

数据收集

人口学特征、患者位置数据(例如,病房、急诊科、ICU、手术室)、生命体征、实验室值和护士记录通过UC的临床研究数据仓库获取。在LUMC和NUS通过各自的数据仓库完成了类似流程,外部站点数据根据数据使用协议转移至UC进行分析。

AKI定义

我们根据KDIGO共识定义中基于SCr的标准定义AKI。4基线SCr浓度定义为入院SCr值,并根据KDIGO指南按48小时和7天标准滚动更新。4,9,10

统计分析

在3个队列(NUS、LUMC和UC)之间比较患者特征、实验室值和结局。在各自队列内,也在发生AKI的患者与未发生AKI的患者之间比较这些相同因素。我们根据变量的分布酌情使用t检验、Wilcoxon秩和检验、方差分析、Kruskal-Wallis检验和χ2检验进行这些比较。

接下来,我们将先前开发的梯度提升机模型的简化版本应用于UC内部验证队列以及LUMC和NUS外部验证队列,该简化版本仅使用UC数据推导而来。如前所述,最初发表的梯度提升机模型采用离散时间生存分析开发,包含97个变量,且仅使用UC数据进行开发和验证。10 该模型被简化为59个变量,模型开发按照先前发表文献10中所述方法使用相同的推导队列进行,并在推导数据中使用10折交叉验证来调整模型超参数。简化模型中的预测因子包括人口学特征、生命体征、常规生化和血液学实验室值、生命体征和实验室值的趋势(例如,前24小时内的最高心率)以及护理记录(例如,Braden评分)(补充材料中的eTable 1)。缺失数据的处理方式如前所述,对于在向前填充插补后仍缺失的预测因子值,按所在位置的中位数(连续数据)或众数(分类数据)进行插补。10 补充材料中的eFigure 1展示了基于UC数据开发的简化模型中前15个变量的变量重要性图。值得注意的是,该简化模型目前正在UC作为一项美国国立卫生研究院资助的临床试验的一部分进行前瞻性运行。15 该简化模型仅在前述UC推导队列中开发,被用于为3个验证队列中的每个新观测值(例如,新的生命体征或实验室值)生成预测概率。这些概率被用于计算受试者工作特征曲线下面积(AUC),采用梯形法计算,置信区间采用Delong法。17 在准确性计算中,对每个观测值计算概率,直至感兴趣事件发生或患者出院。

本研究的主要结局是在每次观测后48小时内发生基于SCr的2期AKI。个体概率阈值下的准确性指标 also 使用入院期间在感兴趣结局或出院之前的最高评分进行计算。次要结局包括发生1期AKI、3期AKI、接受KRT以及住院死亡率。亚组分析按医院位置(ICU vs 病房)、入院SCr浓度分层以及手术室停留时间进行。所有分析均使用Stata 15.1版(StataCorp)和R 3.6.1版(The R Project for Statistical Computing)进行。统计学显著性设定为P < .05,所有检验均为双侧检验。

结果

最终队列纳入了来自3个卫生系统6家医院的495 971例成年患者住院记录(平均[SD]年龄,63[18]岁;87 689例[17.7%]为非裔美国人;266 866例[53.8%]为女性)。导致该队列的排除标准此前已针对UC10发表,LUMC和NUS的排除标准见补充材料中的eFigure 2。与其他2个队列相比,UC的患者住院记录更可能较年轻(平均[SD]年龄:LUMC,58.6[17.2]岁;NUS,67.4[17.7]岁;UC,56.6[17.8]岁;P < .001)且非裔美国人患者更多(LUMC,45 512例[22.7%];17 940例[7.3%];UC,24 237例[50.0%];P < .001)(表1)。虽然各队列在入院SCr和血尿素氮(BUN)浓度方面存在统计学显著差异,但数值差异较小。UC内部验证队列包括48 463例患者住院记录,其中6935例(14.3%)发生至少1期AKI,1664例(3.4%)发生2期或3期AKI,332例(0.7%)需要KRT。在LUMC队列纳入的200 613例患者中,27 352例(13.6%)发生至少1期AKI,5722例(2.8%)发生2期或3期AKI,672例(0.3%)需要KRT。在NUS队列的246 895例患者中,20 473例(8.3%)发生任何AKI,3499例(1.4%)发生2期或3期AKI,440例(0.2%)接受KRT。补充材料中的eFigure 3提供了所有3个队列中AKI各单独分期及接受KRT随时间的累积发生率图。

补充材料中的eTable 2提供了所有3个队列的人口学特征和结局数据,按是否发生AKI进行分层。与未发生AKI的患者相比,发生AKI的患者更可能年龄较大(例如,NUS队列平均[SD]年龄,66.8[17.9]岁 vs 73.2[14.7]岁;P < .001);男性(96 711/226 442[42.7%] vs 10 226/20 473[49.9%];P < .001),并且入院SCr平均值(SD)更高(1[0.4] mg/dL vs 1.2[0.6] mg/dL;P < .001)且BUN值更高(19[12.5] mg/dL vs 26.1[16.8] mg/dL[转换为毫摩尔每升,乘以0.357];P < .001)。与未发生AKI的患者相比,发生AKI的患者更可能曾位于手术室(例如,LUMC队列:49 875/173 261[28.8%] vs 11 938/27 352[43.6%];P < .001)或ICU(34 009[19.6%] vs 15 794[57.7%];P < .001),住院时间中位数(四分位距)显著更长(2.4[1.2-4.7] vs 7.9[4.4-14.9];P < .001),且住院死亡率更高(1403[0.8%] vs 2883[10.5%];P < .001)。

表2显示了在所有3个队列中预测AKI所有阶段及未来48小时内需要KRT的模型区分度结果。在UC队列中,所有结局的AUC相同或略高。该模型预测48小时内进展为2期AKI的AUC在UC队列中为0.86(95% CI,0.86-0.86),在NUS队列中为0.86(95% CI,0.86-0.86),在LUMC队列中为0.85(95% CI,0.84-0.85)。该模型对48小时内需要KRT的患者提供了极好的区分度,在所有3个队列中AUC均为0.95或更高。表3提供了在所有3个队列中按患者所在位置、入院SCr浓度和既往手术室状态分层预测未来48小时内2期AKI的AUC。在UC和LUMC队列中,与病房患者相比,该模型对ICU患者预测2期AKI的区分度略高,尽管这些差异很小(差异,0.01-0.02)。在所有3个队列中,该模型对病房患者未来48小时内2期AKI的预测区分度非常相似。在所有3个队列中,该模型在入院SCr浓度较高的患者中表现更好,在入院SCr浓度介于2.0至2.9 mg/dL之间的患者中表现最佳。在所有中心的所有亚组中,未来48小时内进展为2期AKI的AUC均大于0.80。补充材料中的eTable 3提供了在所有3个队列中相同亚组预测未来24小时内2期AKI的AUC,其数值高于预测48小时内事件的结果。例如,对于NUS中入院SCr浓度为2.0至2.9的患者,该模型的AUC为0.93(95% CI,0.92-0.93)。针对术后患者的亚组分析表明,该算法在既往是否进入手术室的患者中表现几乎相同(表3;补充材料中的eTable 3)。表3还显示,在所有3个队列中,该模型预测术后未来48小时内2期AKI的AUC大于0.84。所有3个中心的校准图见补充材料中的eFigure 4,其模拟了模型使用12小时分块数据的推导方式。该模型在所有中心校准良好,但UC的最高风险十分位以及LUMC和NUS的最高2个风险十分位除外。

表4展示了使用每次入院的最大评分预测住院期间2期AKI时,各概率截断值的灵敏度、特异度以及阳性和阴性预测值(PPV和NPV)。多个概率截断值提供了较高的灵敏度和特异度,在UC队列中,至少0.057的截断值提供了87.1%的灵敏度、99.5%的NPV和27.0%的PPV。在LUMC和NUS队列中,不同阈值下的准确性结果相似或略低(表4)。补充材料中的eTable 4展示了在测试数据集中使用每一次观测值,在所有3个队列中各单独概率截断值下结局是否在48小时内发生的相同性能指标。

该模型作为决策支持工具的效用,以及在不同阈值灵敏度下跨越各警示阈值的观察值百分比(以该阈值预测48小时内发生2期AKI的灵敏度为参照)的图示,见图。如图所示,若希望达到高灵敏度(≥60%),与LUMC相比,UC和NUS触发的警示相对较少。在时间-事件分析中,至少0.057的截断值在UC队列中预测2期AKI较最终SCr浓度加倍的中位(IQR)提前时间为27(6.5-93)小时,在NUS队列中为34.5(19-85)小时,在LUMC队列中为39(19-108)小时。表4提供了所有队列中所有截断值的时间-事件分析。

表1. 3个患者队列的临床人口学特征和结局,总计495 971例患者 查看原表 ↗
表2. 未来48小时内发生AKI和接受KRT的AUCa 查看原表 ↗
表3. 模型在所有队列中按患者位置、入院血清肌酐水平和手术室停留时间分层预测未来48小时内2期AKI的AUC 查看原表 ↗
表4. 使用入院至事件发生前或出院前的最高评分检测2期AKI时不同概率截断值的准确性和检测时机 查看原表 ↗
图. 所有纳入队列预测2期AKI的效率曲线 查看原图 ↗

讨论

在这项覆盖6家医院、3个卫生系统、近500 000例患者入院的的大型多中心研究中,我们对一种机器学习风险算法进行了内部和外部验证,该算法可预测所有住院患者AKI的发生。我们的研究结果表明,在所有中心、医院位置和基线SCr值方面均具有一致的高判别力,并且对更严重形式的AKI(即3期AKI和需要KRT)具有更高的判别力。重要的是,该模型识别有AKI风险的患者比当前标准(即SCr浓度)提前近一天半。这种提前警示可能使对AKI高风险患者进行抢先干预成为可能,从而改善结局。我们的模型现已在2个独特的外部卫生系统中得到验证,使用电子健康记录中 readily available 的临床数据,可实现实时应用。15

尽管模型准确性在外部验证时通常会下降,但我们在内部和外部验证队列中预测严重AKI时发现了相似的结果。这可能是因为AKI是使用SCr浓度来定义的,而我们的模型主要纳入了具有普遍适用性的生理变量。正如预期的那样,UC内部验证队列在某些亚组中的区分度略高,其中性能差异最大的是1期AKI患者。由于这一阶段的AKI可能受到良性液体转移和液体管理实践的影响,且可能不代表真正的肾小管损伤,因此与更严重的AKI阶段相比,这很可能是一个不那么重要的预测结局。18,19,20 我们模型的优势包括其能够在入院时SCr浓度升高和未升高的患者中检测AKI。该模型在验证队列中,对于入院SCr浓度大于1.0 mg/dL的患者,预测未来24小时内发生2期AKI的AUC大于0.90。无论入院SCr浓度如何,预测未来48小时内发生2期AKI的区分度略低(AUC≥0.85)。

其他研究团队已开发了用于检测AKI的电子风险评分。例如,Wilson及其同事8利用同一医疗保健系统内3家医院169 859例住院成人的回顾性数据,开发了一个简约模型。他们证明,基于可用实验室数据的简单模型能够准确预测1期AKI,AUC为0.74。值得注意的是,该模型是為预测更常见的1期AKI而构建和训练的,而非更严重的2期AKI,而后者是我们模型的主要结局。此外,Lei及其同事14在一项多中心研究中使用了梯度提升机器学习模型来识别有术后AKI发生风险的患者。他们证明,通过加入院前、术前和术中变量,他们提高了检测术后KDIGO SCr定义的1期AKI的能力,最终模型的AUC为0.82。14

最近,Tomasev及其同事13发表了使用美国退伍军人事务部医疗保健系统中超过703 000例成年患者数据的风险评分。他们使用循环神经网络开发了一个能够检测KDIGO定义的AKI的准确模型。其最终模型在假阳性与真阳性警报比为2:1的基础上,提供了55.8%的敏感性和82.7%的特异性。然而,他们使用随机选择的患者组作为测试集,与外部验证相比,这已被证明会提供过于乐观的准确性估计。21此外,他们使用了深度学习并纳入了620 000个特征,其可解释性远低于我们包含59个特征的模型。此外,退伍军人事务部数据集仍然存在局限性,因为它仅包括6.4%的女性患者,且在更多样化环境中的有效性未知。相比之下,我们的队列中近50%为女性,并包括17.7%的非裔美国患者。此外,我们纳入了城市和郊区学术中心以及社区非教学医院,这提高了我们研究结果的普遍适用性。

一旦像我们这样的电子评分工具被开发出来,其临床效用就需要被研究。近期几项研究表明,在急性肾损伤(AKI)风险增加或早期AKI的情况下,早期肾脏病专科诊疗与患者预后改善相关。Selby及其同事22在英国5家医院开展了一项多中心、实用性、阶梯楔形整群随机试验,涉及对所有住院患者实施早期AKI电子预警以及AKI care bundle和以肾脏护理为重点的教育项目。他们证明了肾脏护理质量的改善,包括住院时间缩短、AKI识别改善、用药优化和液体评估改善。22同样,在两个独立的术后队列中,对 identified 为重度AKI高风险的患者(通过其尿组织金属蛋白酶抑制物-2和胰岛素样生长因子结合蛋白2浓度升高)使用KDIGO care bundle可改善患者预后。23,24 Meersch及其同事23证明,心脏手术后使用care bundle可降低AKI的发生率和严重程度,而Göcze及其同事24证明,腹部大手术后AKI严重程度降低且ICU住院时间缩短。23,24因此,可以合理预期,实施早期电子AKI风险评分可能同样改善AKI结局。然而,这些新型工具应当先实施,然后进行深入研究以确定其效用。

使用像我们这样的工具将涉及在患者首次达到独特风险阈值时实施干预,以增强我们预防AKI的能力。表4展示了患者首次达到独特概率截断值时的检测性能。如这些结果所示,有若干阈值具有足够的PPV和敏感性值,可用于临床实践。未来需要开展工作以确定平衡检出率和假警报的最佳临床行动阈值,这将需要干预性试验。

局限性

我们的研究存在局限性。由于无法获取所有住院患者的准确每小时尿量测量值以符合KDIGO定义,我们仅通过SCr浓度的变化来定义AKI。4然而,这与之前发表的其他几项AKI风险评分一致。8,13此外,鉴于所有3个数据集的局限性(例如,仅能获取住院数据),我们使用入院值而非门诊值来定义基线SCr浓度。这与我们开发原始模型的方式相似,也符合当前AKI研究的标准。9,10,25未来需要研究来确定这一假设如何影响模型准确性。我们排除了入院期间未测量任何SCr的患者,因为他们是否发生AKI无法得知,因此我们的模型不适用于这些患者。另一个局限性是,如校准图(补充材料中的eFigure 4)所示,我们的模型对风险最高的十分位患者过度预测了风险。然而,在临床实践中,我们的重点是识别最高风险患者,因此患者的排序(与区分度相关)对我们的临床工作流程比校准更重要。最后,外部验证队列大多为教学医院,且均位于伊利诺伊州。然而,可比的结果、多样化的患者人群以及对主要生理变量(而非诸如账单代码等可能因医院和时间而变化的变量)的依赖,提示我们的模型可能可推广至许多其他环境。

结论

在本研究中,我们在所有医院环境中对内外部验证了一种用于预测AKI的新型机器学习风险评分。该工具包含患者人口学特征、生命体征、实验室值和护理评估,可用于识别发生严重AKI风险增加及需要KRT的患者。将该风险评分与早期以肾脏为重点的护理相结合,可能改善发生AKI最高风险患者的结局。

参考来源

  1. Churpek MM, Carey KA, Edelson DP, et al. Internal and External Validation of a Machine Learning Risk Score for Acute Kidney Injury. JAMA Netw Open. 2020. PMID: 32780123. doi:10.1001/jamanetworkopen.2020.12892
  2. 全文:PMC7420241(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7420241/

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。