机器学习模型早期预测儿科重症监护急性肾损伤(AKI)
该研究利用三家独立机构16,863例1月龄至21岁儿科重症患者EHR数据,开发单一生机器学习模型,基于15个预测因子(含肌酐变化率)实时评估AKI风险。模型预测中重度AKI(Stage 2/3)的AUROC为0.89,中位提前30小时;预测70%的RRT、58%的Stage 2/3 AKI和41%的任何AKI,任何AKI的误报与真报比约1:1(PPV 47%)。模型提供可解释的预警信息与建议措施,可能通过早期干预(如调整肾毒性药物)改善预后。
要点
- 模型预测中重度AKI(Stage 2/3)的中位提前时间为30小时,AUROC 0.89,训练窗口48-24小时内AUROC从0.83升至0.89。
- 在预测时间窗内,模型识别70%的RRT、58%的Stage 2/3 AKI和41%的任何AKI;任何AKI的PPV为47%(误报与真报比约1:1)。
- 79%的被预测患者在预警后、AKI发生前接受了潜在肾毒性药物,提示早期预警可提供调整用药的机会。
- 模型性能在年龄较大患者中略好(16-21岁AUROC 0.95,1月-2岁0.84),PICU与CTICU患者间无差异。
- 模型每6小时生成一次预测,提供可解释的贡献因子和行动建议(如「患者使用氨基糖苷类,建议检查浓度并审查剂量和指征」)。
适用人群与场景
- 纳入:1月龄至21岁儿科重症监护患者(PICU和CTICU),来自三家独立三级儿科重症中心(美国两家2003-2011和2014-2019,英国一家2009-2015)。
- 排除:小于1月龄新生儿、大于21岁或无有效年龄记录;ICU入住前12小时内发生AKI;住院时间小于24小时;同一患者多次入院仅保留一次(AKI分期最高或住院时间最长者)。
诊断标准与关键阈值
- AKI分期采用KDIGO血清肌酐标准,基线肌酐取年龄和性别组的平均正常肌酐水平;因记录不可靠未使用尿量标准。
- 主要结局:预测AKI Stage 2/3在 onset 前48至6小时内的发生;次要结局:预测任何AKI(Stage 1/2/3)和需要RRT。
- 模型每6小时生成一次预测,输出风险百分比及贡献最大的预测因子和行动建议。
处置流程与药物剂量
- 模型预警示例:「患者未来48小时发生AKI风险90%」,同时显示背景信息(如「患者使用氨基糖苷类」)和建议行动(「建议检查浓度并审查剂量和指征」)。
- 原文提及早期干预措施包括:确保足够的肾灌注(血管内容量填充或正性肌力药物)、避免或减少肾毒性药物。
- 原文未提及具体药物剂量、给药途径、频次或目标值。
红旗征与不能漏的情况
- 模型预测高风险患者(如未来48小时AKI风险90%)应快速评估并采取减少AKI风险的措施。
- 患者使用高肾毒性潜力药物(如氨基糖苷类)且被模型识别为高风险时,建议检查药物浓度并审查剂量和指征。
研究设计与关键结果
- 研究类型:回顾性多中心队列研究,开发并验证机器学习模型;样本量16,863例儿科重症患者,来自3家独立机构。
- 主要终点:预测Stage 2/3 AKI在 onset 前48-6小时,AUROC 0.89,中位提前时间30小时;训练窗口48-24小时内AUROC从0.83升至0.89,窗口外略降至0.85。
- 次要终点:预测70%的RRT episodes、58%的Stage 2/3 episodes、41%的任何AKI episodes;任何AKI的误报与真报比约1:1(PPV 47%)。
- 亚组:年龄1月-2岁、2-12岁、12-16岁、16-21岁的AUROC分别为0.84、0.90、0.88、0.95;PICU与CTICU患者间无性能差异;英国医院性能低于美国医院。
- 基线比较:肾绞痛指数(RAI)的AUROC约0.57,低于模型。
- 不良事件:原文未提及。
证据类型、等级与局限
- 证据类型:回顾性多中心队列研究,开发与验证机器学习模型;遵循TRIPOD指南。
- 证据等级或推荐强度:原文未提供正式分级。
- 局限:仅使用肌酐标准定义AKI(未用尿量标准,可能低估AKI率并影响敏感性/PPV);模型泛化性未完全解决,需在更大非美国数据集验证;在工作流程中的最佳呈现和整合方式待测试;模型对入院原因和合并症的性能未知;英国医院数据量小且患者更年轻,性能较低。
对床旁实践的改变
- 可能改变:对儿科重症患者每6小时自动评估AKI风险,提前中位30小时预警中重度AKI,提示临床医生审查肾毒性药物剂量和指征,或优化肾灌注。
- 适用人群:1月龄至21岁PICU和CTICU患者;不适用于新生儿(<1月龄)、入住ICU前12小时内已发生AKI、住院时间<24小时的患者。
- 常见陷阱:模型仅基于肌酐定义AKI,对尿量定义的AKI敏感性可能较低;误报率约1:1(任何AKI的PPV 47%),需结合临床判断;在年幼患者(1月-2岁)和英国数据集性能较低;模型尚未在前瞻性研究中验证能否改善结局。
指南或共识出处
- 原文未提及具体指南或共识名称;文中引用ADQI(Acute Dialysis Quality Initiative)小组的建议作为背景。
全文中译21 节 · 点击展开
背景
急性肾损伤(AKI)影响高达四分之一的儿科重症监护患者[1],并且与更高的死亡率、更长的住院时间以及后续发展为慢性肾病独立相关[2–4]。目前,AKI的诊断依据是肾脏病改善全球预后(KDIGO)临床实践指南,基于血清肌酐和尿量[5]。然而,由于肾功能损害通常先于肌酐升高出现,分期指南仅在肾损伤或肾功能损害已经发生后才检测到AKI。虽然在儿科重症监护病房(PICU)中,AKI发生后通常没有特异性治疗可逆转[6],但一些研究表明,AKI后肾功能的早期改善可能带来更好的预后[1, 5, 7]。因此,早期预测AKI对于识别有发生AKI风险的患者并进行早期干预以改善预后非常重要。虽然PICU患者的AKI是多因素的,但它最常发生在因低血压导致肾灌注不足的时期之后。可能改善肾功能的简单干预措施包括通过血管内容量填充或正性肌力药物确保充分的肾灌注,以及避免或减少肾毒性药物。急性透析质量倡议(ADQI)小组建议开发机器学习模型,用于在诊断前48至72小时早期预测中度至重度AKI(2/3期),并建议预测模型应提供有关导致这些风险的患者测量信息,并向从业者提供关于潜在可操作项目的反馈[6]。许多研究团队利用电子健康记录(EHR)数据进行了AKI的早期预测[8–11],但迄今为止没有任何模型解释特定预测背后的理由,尽管对可解释和可操作的预测有明确需求[6, 12]。在生理随年龄差异很大的儿科患者中,开发一个学习适合年龄的早期AKI征象的预测模型仍是一个额外挑战。本研究旨在开发一个针对普通儿科重症监护患者的AKI预测模型,实时运行,能够检测患者生理的细微持续变化,并向护理人员警示高风险AKI患者,提供可解释的背景和 suggested actions。主要结局是在中度至重度AKI发生前6至48小时预测其发作的能力。同一模型还在次要AKI相关结局指标上进行评估,包括任何AKI(1/2/3期)的发生和肾脏替代治疗(RRT)的需求。据我们所知,这是第一个为解释每个预测而构建的AKI预测模型,也是第一个在普通儿科重症监护AKI预测中经过多中心验证的模型。
方法
研究人群
研究队列包括来自三个独立三级儿科重症监护中心的PICU和心胸重症监护病房(CTICU)的患者。第一个数据集来自一家美国医院(医院1),时间为2003年至2011年;第二个来自一家英国医院(医院2),时间为2009年至2015年;第三个来自一家美国医院(医院3),时间为2014年至2019年。本研究中的记录已去标识化,知情同意按声明中规定予以豁免。
推导和验证数据
来自三个中心中每个中心的患者数据被分为推导集(70%)、验证集(15%)和留出测试集(15%),患者无重叠。设计并使用来自所有医院的推导集和验证集数据训练了一个单一预测模型,然后在每家医院的留出测试数据上进行验证。
队列提取
使用KDIGO血清肌酐标准[5],通过肌酐测量值对AKI分期进行标记。基线肌酐由年龄和性别组的平均正常肌酐水平确定[14–16]。由于记录不可靠,未使用尿量标准。发生中重度AKI的患者的AKI发病时间标记为首次促成AKI 2期或更高分期的肌酐测量时间;发生1期AKI但未发生2/3期的患者的发病时间标记为首次促成1期的肌酐测量时间;从未发生AKI的患者的发病时间选择为住院期间的随机时间。应用以下排除标准:(1)年龄小于一个月(新生儿)、大于21岁或无有效年龄记录的患者,(2)在ICU入住前12小时内发生AKI的患者,(3)住院时间小于24小时的患者,(4)如果单个患者有多次就诊,仅使用一次就诊,其余就诊被排除。纳入的就诊为AKI分期最高的就诊,或在多次就诊中最高AKI分期相同时住院时间最长的就诊。
结局
主要结局是预测发病前48至6小时时间窗内的2/3期AKI。为了针对主要结局训练模型,无AKI或AKI 1期的患者被标记为对照患者。训练后的模型还在次要结局上进行了测试,包括预测任何AKI(1/2/3期)和预测需要RRT。
基线比较指标
肾绞痛指数(RAI)已被证明可预测PICU入住时的AKI[17],被用作基线比较指标。RAI在AKI发病前计算,详见附加文件1,并与模型预测进行比较。
预测因子
从EHR中提取四类数据元素,包括生命体征、实验室值、用药史和通气参数,并将其用作预测因子来训练和构建模型。为每个预测因子衍生了过去30小时内的统计量,包括均值、中位数、最小值、最大值、变化量和最后值。对于肌酐,还通过计算过去48小时内肌酐测量值最小二乘拟合线的斜率(mg/dL/小时)来确定额外的肌酐变化率(CRoC)。用药数据分为三类:低肾毒性潜力药物、高肾毒性潜力药物和血管活性药物,如附加文件1所示。将过去一周内每类中任何药物的给药次数求和并用作预测因子。这导致总共250个候选预测因子,在附加文件1描述的特征选择过程中最终确定为表2所示的15个模型输入预测因子。
预测因子每六小时汇总一次,以生成AKI风险预测。在模型设计和特征选择之后,最终模型在AKI发作前48至24小时的推导和验证数据上进行训练,并在AKI发作前48至6小时的留出数据上进行测试。该模型能够在给定时间范围内部分预测因子缺失时进行预测,从而无需进行数据插补。
统计分析方法
该模型的开发遵循《个体预后或诊断多变量预测模型的透明报告》指南[13]。推导和验证数据在如图1所示的年龄依赖性集成机器学习模型[15]上进行训练,该模型属于基于一组更简单的“弱分类器”集成之和进行分类的一类模型。针对每个预测因子和年龄对学习一个弱分类器,以在给定该预测因子测量值的情况下预测AKI风险,可将其视为基于患者年龄和单一预测因子值(如年龄和胆红素)的复杂查找表。该模型对年龄依赖性风险的考虑使其适用于广泛的患者年龄范围。CRoC和高肾毒性潜力药物的示例弱分类器如图1所示。由于预测的AKI风险是所有弱分类器预测之和,因此每次预测时每个非年龄预测因子的贡献可以被分离并排序。这使模型能够显示对每次预测中最高风险有贡献的顶级预测因子,从而使AKI风险预测对用户透明且可解释。预测风险经过充分校准,并通过验证校准曲线接近AKI发生率对预测风险的对角线进行评估,如附加文件1所示。
结果
最终队列的人口统计学特征,包括各医院的推导队列、验证队列和留出队列的合并数据,见表1。该模型使用15个输入预测变量加上年龄,如表2所示。
性能
训练后的模型能很好地预测AKI,在AKI发作前48至24小时的训练预测窗口内,AUROC从0.83升至0.89,在训练窗口外略微降至0.85,如图2a所示。性能指标详见附加文件1。图2b显示,两家美国医院(医院1和医院3)之间的模型性能相当,而英国医院(医院2)的性能较差,可能由于其数据量较小及数据特征存在差异(见讨论)。老年患者的性能略好:在CDC定义的1个月至2岁、2至12岁、12至16岁和16至21岁年龄组中,AUROC分别为0.84、0.90、0.88和0.95。该模型在PICU和CTICU患者之间未显示出性能差异。
训练后的模型在预测时间范围内可识别70%的RRT、58%的AKI 2/3期和41%的任何AKI患者,量化结果见表3。模型触发的AKI警报对于任何AKI的真阳性(TP)与假阳性(FP)比为一比一,即每一个TP预测对应一个未发展为任何AKI的FP预测,对应于47%的阳性预测值(PPV)。
中重度AKI患者被识别的中位提前时间为30小时。16%的2/3期患者可在发作前48小时被识别,至发作前6小时增至58%。对于RRT患者,70%在AKI发作前6小时或更早被识别。
模型预测的大多数AKI患者在预测时间范围内接受了潜在的肾毒性药物:40%、70%和79%的TP患者分别在预测窗口内接受了具有高、低或任何肾毒性潜力的药物。
示例患者的预测
图1展示了对一名去标识化患者的预测,该患者的血清肌酐测量值持续升高,但在时间0点AKI发病之前未超过KDIGO阈值。假设当前时间为发病前36小时,床旁医务人员尚不知晓即将发生的未知AKI发病,并继续给予具有肾毒性潜力的药物。中间图展示了照护者看到的警报样式:除了注明“患者在未来48小时内发生AKI的风险为90%”之外,还提供了患者“正在使用氨基糖苷类药物”的背景信息以及哪些测量值是导致高风险的主要贡献因素。同时还显示了建议采取的行动,即“审查药物的剂量和适应证”。
基线 comparator
相比之下,RAI对AKI的预测能力较弱,在图2a和b中AUROC约为0.57,敏感度和特异度见表3。RAI的计算未纳入患者干细胞移植信息,详见附加文件1。
讨论
本文描述的机器学习模型形成了一个适用于PICU的预测工具,适用于1个月至21岁的广泛年龄范围患者,并显示出在2/3期AKI发病前长达48小时的强预测性能。该模型在来自三个独立PICU的多中心数据上进行了训练和验证。该模型可预测40%的任何AKI发作、58%的所有2/3期AKI发作以及70%的需要后续RRT的发作,与任何AKI相关的一对一假警报与真警报之比见表3。该模型优于更简单的对照工具RAI,后者已被证明可预测危重儿童中的AKI [17]。该模型预测2/3期AKI发病的中位时间为实际发生前30小时,从而为可能预防AKI发生或降低其严重程度的临床干预提供了关键的时间窗口。
在四年前发表的一份共识文件中,ADQI工作组呼吁对一般重症监护人群的2/3期AKI和临床重要的AKI相关结局进行预测 [6]。值得注意的是,ADQI指出,该工具的作用不仅在于提供肾脏风险反馈,还在于呈现导致这些风险的患者测量值信息,并就潜在的可操作项目向医务人员提供反馈 [6]。迄今为止,已有许多关于AKI预测的研究发表,但尚无研究专注于构建一个提供与最相关患者测量值信息以指导行动的工具。我们构建该模型时以透明性和可操作性为主要目标,有意远离可能获得更好性能的“黑箱”神经网络模型。它也是首个针对PICU的多中心验证AKI预测模型。
AKI预测因子
这一多中心验证模型表明,存在常用且在各机构间一致的电子健康记录(EHR)数据元素,可用于在肌酐升高之前早期提示AKI的发生。该模型使用的15个预测因子体现了在模型透明性与性能之间取得平衡的努力:预测因子数量足以反映患者状态,但又不会多到使模型无法解释和过拟合。预测因子可分为三类:(1)对肾脏健康有因果影响的因子,如肾毒性药物的给药和庆大霉素谷值,(2)直接反映肾脏健康的因子,如CRoC,(3)反映更一般患者健康状态的因子,如WBC。关于每个预测因子所学到的内容可以清晰可视化(图1弱分类器可视化),以显示哪些测量值 contribute 于低和高AKI风险,使用户能够在实时使用模型之前研究其内部工作机制。
影响临床工作流程并改善结局
最终目标是利用模型预测进行早期干预并预防AKI的发生。大多数(79%)被预测的患者在做出预测之后但在AKI完全发展之前接受了潜在的肾毒性药物,这意味着在早期警报之后,这些药物本可以在可能的情况下停止、减量或替换为替代的非肾毒性药物。图1所示的示例患者印证了这一点:在患者被模型识别为高AKI风险后,肾毒性药物仍继续被给药。提前36小时提出的“审查药物剂量和适应证”的建议本可为早期恢复提供关键的时间窗口。
在将预测模型部署到真实世界环境时,透明度、可解释性和可操作性对于获得照护者信任至关重要。通过不仅呈现预测风险,还显示警报的主要贡献预测因子及其测量值和 suggested actions,该模型使照护者能够快速检查预测是否与其临床直觉相符,如图1所示。这回应了ADQI所表达的需求,即预测模型应呈现有关促成预测风险的患者测量信息,并就潜在可操作项目向从业者提供反馈[6]。
研究表明,基于指南的AKI非预测性实时检测可降低AKI发生率[18],我们计划开展一项类似的基于预测的AKI监测前瞻性研究,以进一步减少AKI。
各医院间的性能变异性
该模型在英国医院的表现不如在美国医院。部分原因是数据规模不平衡——与其他医院相比,英国医院的患者队列规模较小——因此训练后的模型所捕捉到的AKI前数据模式更能代表另外两家医院。如表1所示,英国医院的患者比其他医院的患者更年轻。模型对年轻患者的预测准确性较低,因此较低的表现也可能归因于年轻患者的过度代表。我们观察到英国和美国医院之间数据模式的其他差异,详见附加文件1。由于数据可及性,三家医院的数据集覆盖不同的时间段,但不应影响结果,因为管理策略并未发生变化。
基线对照
基线对照RAI主要使用肌酐来预测AKI [17],其表现不如该模型。该模型表现更优的原因在于使用了额外的患者信息,如用药史和实验室检查值。此外,干细胞移植信息最初用于RAI [17]但未用于该模型,这可能导致了先前报道的RAI相比此处计算的RAI具有更高的表现。电子健康记录中不易获取的信息字段,包括患者合并症、诊断分类以及干细胞移植等上下文信息,未被纳入,因为目标是构建一个能够仅利用 readily available 信息实时自动评估AKI风险的通用PICU模型。
预测频率
由于模型侧重于较长期的预测因子(如实验室检查值)以及AKI的疾病进展速率,模型被设计为每6小时生成一次预测。这有助于通过减少可能的警报总数来降低警报疲劳,因为临床决策支持系统被建议保持简洁,仅对最相关或最严重的病例发出警报,以减少导致警报疲劳的重复警报 [19]。
局限性
由于数据可及性,模型仅使用肌酐来对AKI进行分期。高达20%的AKI患者仅基于尿量标准被诊断 [20],缺乏尿量标准可能导致AKI发生率低于先前所述。这在几个方面影响了模型结果。首先,模型对尿量分期AKI患者的敏感性可能较低,会漏诊更多此类患者。其次,一些被错误预测为肌酐分期AKI的假阳性患者可能是尿量分期患者,因此当纳入尿量分期患者时,报告的PPV可能升高。由于尿量分期患者预后更差,未来的目标是在尿量数据记录变得更加可靠时改进模型。
尽管这是首个在多中心数据上测试的儿童AKI预测模型,但模型的泛化能力尚未完全解决。鉴于当前的回顾性验证结果,需要在更大的非美国数据集上进行更多验证工作。如何最好地呈现模型并将其整合到工作流程中仍有待测试。模型相对于入院原因和患者合并症的表现尚不清楚。
结论
本研究描述的机器学习模型可在AKI发病前48小时准确预测中重度AKI。该模型在三个独立中心对普通儿科重症监护患者(包括PICU和CTICU)进行了验证,覆盖从1个月到21岁的广泛年龄范围。该模型性能良好,可通过提供早期预警和可操作的反馈,在临床环境中改善儿科AKI的结局。
补充信息
附加文件1:AKI_CriticalCare_supplements.docx。
参考来源
- Dong J, Feng T, Thapa-Chhetry B, et al. Machine learning model for early prediction of acute kidney injury (AKI) in pediatric critical care. Crit Care. 2021. PMID: 34376222. doi:10.1186/s13054-021-03724-0
- 全文:PMC8353807(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8353807/
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。