引用本文： 李夏蔭, 邢彥, 趙晉, 柏明, 趙麗娟, 于艷, 周美蘭, 孫世仁. 經連續性腎臟替代治療的橫紋肌溶解致急性腎損傷患者死亡預測模型的構建與驗證. 華西醫學, 2024, 39(7): 1041-1047. doi: 10.7507/1002-0179.202406092 復制
版權信息： ?四川大學華西醫院華西期刊社《華西醫學》版權所有，未經授權不得轉載、改編
橫紋肌溶解是由多種病因導致的骨骼肌細胞膜完整性破壞，細胞內容物如肌紅蛋白、肌酸激酶等釋放而引發的臨床綜合征[1]。急性腎損傷（acute kidney injury, AKI）是其最常見的并發癥，發病率波動于 20%～80%[2-3]，且與不良預后相關。據報道，橫紋肌溶解致 AKI（rhabdomyolysis-induced AKI, RI-AKI）患者病死率可高達 62%[2]，28.8% 的 RI-AKI 患者最終將進入慢性腎臟病階段[3]。目前，RI-AKI 缺乏針對性藥物，治療方案仍以補液為主[4-6]。腎臟替代療法可清除 RI-AKI 的主要致病物質肌紅蛋白，并糾正疾病引發的電解質紊亂和酸中毒[7-8]，近年來已成為 RI-AKI 的治療方案之一。連續性腎臟替代治療（continuous renal replacement therapy, CRRT）具有持續清除肌紅蛋白并維持血流動力學穩態的優勢，是橫紋肌溶解患者常用的腎臟替代治療模式。盡管 CRRT 有諸多優勢，但經 CRRT 治療的 RI-AKI 患者死亡率仍較高[9]，如何早期識別死亡高危患者相當重要，這將有助于提供適當的護理和優化資源分配。因此，針對上述問題，本研究擬通過收集經 CRRT 治療的 RI-AKI 患者的臨床預后信息，識別該類患者發生不良預后的危險因素并建立臨床預測模型，以期為指導該類患者的治療提供有力工具。
1 對象與方法
1.1 研究對象
本研究的患者數據來源于 MIMIC-IV（Medical Information Mart for Intensive Care-IV）2.2 數據庫，該數據庫包含了 2008 年—2019 年在美國 Beth Israel Deaconess 醫療中心重癥監護病房（intensive care unit, ICU）接受治療患者的相關臨床信息。本文作者之一（邢彥）已經取得訪問該數據庫的相關權限（認證編號：12820780），通過結構化查詢語言使用 pgAdmin4 軟件從數據庫中提取相關患者的人口學特征、實驗室檢查結果及預后狀況。由于本研究是回顧性研究且數據庫中的人員信息已被隱藏，因此免除知情同意書。
納入標準：① 首次入 ICU；② 年齡≥18 歲；③ 入院首次肌酸激酶檢測結果≥
1.2 數據收集及研究終點
收集入組患者的性別、年齡、既往史（高血壓、慢性腎臟病、糖尿病）、收縮壓、舒張壓、體質量指數（body mass index, BMI）及入 ICU 時測量的血常規、肝腎功能、離子、肌酸激酶檢測結果，AKI 臨床分期（根據 2012 年改善全球腎臟預后組織 AKI 指南[10]）及是否接受 CRRT 治療或機械通氣治療。疾病嚴重程度使用序貫器官衰竭估計評分（Sequential Organ Failure Assessment, SOFA）和急性生理評分Ⅲ（Acute Physiology Score Ⅲ, APS Ⅲ）來評估。研究終點為入 ICU 后 28 d 內發生死亡。
1.3 統計學方法
刪除缺失超過 30% 的變量，剩余缺失變量使用隨機森林插補法進行插補。使用 Spearman 相關性分析檢查納入連續型變量的相關性，刪除相關性系數大于 0.75 的變量。將所有患者臨床數據按照 7∶3 的比例隨機分為訓練集及測試集，在訓練集中使用 LASSO 回歸、隨機森林及極端梯度提升法（extreme gradient boosting, XGBoost）篩查影響患者 28 d 死亡的危險因素，納入 3 種方式共同篩選出的變量構建預測模型并確定模型的最優參數，使用準確率、精確率、召回率、F1 值及受試者操作特征曲線的曲線下面積（area under the curve, AUC）在測試集中評估模型的性能。其中準確率為模型正確預測的樣本數占總樣本數的比例，準確率=（真正例+真負例）/總樣本數；精確率為模型預測為正例的樣本中，實際上為正例的比例，精確率=真正例/（真正例+假正例）；召回率為在所有實際正例中，模型成功識別的比例，召回率=真正例/（真正例+假負例）；F1 值為精確率和召回率的調和平均數，F1 值=2×精確率×召回率/（精確率+召回率）。基于 SHapley Additive exPlanations（SHAP）值來解釋最優機器學習模型，并量化輸入特征對模型預測結果的貢獻度。符合正態分布的連續型變量以均數±標準差表示，非正態分布的連續變量以中位數（下四分位數，上四分位數）表示，分類變量使用頻數和/或百分率表示。使用 t 檢驗或 Mann-Whitney U 檢驗來比較連續型變量，使用 χ2 檢驗或 Fisher 確切概率法比較分類變量。使用 R 4.3.0 軟件進行統計分析，雙側檢驗水準 α=0.05。預測模型的建立與驗證使用的 R 軟件包包括“missforest 1.5”“XGBoost 1.7.5.1”“randomForest 4.7-1.1”“e1071 1.7-13”“caret 6.0-94”及“shapviz 0.9.4”等。
2 結果
2.1 患者基本資料
根據納入排除標準，共納入 175 例患者（圖1）。入組患者年齡（57.2±16.8）歲，其中男性 119 例（68.0%），肌酸激酶
圖1
研究流程圖
ICU：重癥監護病房；ICD：國際疾病分類法；CRRT：連續性腎臟替代治療；XGBoost：極端梯度提升法；AUC：受試者操作特征曲線下面積；SHAP：SHapley Additive exPlanations
表1
納入患者基本資料
2.2 影響患者生存的危險因素
根據 LASSO 回歸結果，住 ICU 期間是否需要使用機械通氣治療，入 ICU 時測的乳酸、年齡、總膽紅素、血鈉濃度、APS Ⅲ評分、平均動脈壓、血紅蛋白及 BMI 等 9 個變量被識別為影響患者 28 d 生存的危險因素（圖2a、2b）。依據隨機森林模型，入 ICU 時的乳酸、APS Ⅲ評分、年齡、血鈉濃度、SOFA 評分、平均動脈壓、血紅蛋白、血肌酐及 BMI 是影響患者生存的前 9 個危險因素（圖2c）。而入 ICU 時的乳酸、年齡、APS Ⅲ評分、平均動脈壓、血紅蛋白、BMI、血小板計數、血肌酐、血鈣濃度為 XGBoost 模型識別出的對患者 28 d 生存有影響的 9 個變量（圖2d）。依據以上 3 種方式的篩查結果，本研究將入 ICU 時測的乳酸、年齡、APS Ⅲ評分、血紅蛋白、平均動脈壓及 BMI 確定為影響患者 28 d 生存的危險因素。
圖2
影響患者 28 d 生存的危險因素
a. LASSO 回歸十折交叉驗證曲線，圖中下
2.3 模型的建立與評估
依據篩查出的危險因素，通過訓練集數據確定模型的最優參數并建立 logistic 模型、隨機森林模型、支持向量機模型及 XGBoost 模型，計算各預測模型在測試集中的評估指標。其中，隨機森林模型的精確率最高，XGBoost 模型的準確率、召回率、F1 值在 4 個預測模型中均為最高，見表2。
表2
各模型預測患者 28 d 死亡的效果評價
繪制各預測模型在測試集中的受試者操作特征曲線，各個預測模型均表現良好。其中 logistic 模型的 AUC 值最低（0.820），隨機森林模型的 AUC 值為 0.850，支持向量機模型及 XGBoost 模型的 AUC 均為 0.870。見圖3。
圖3
各模型預測患者 28 d 死亡的受試者操作特征曲線
a. logistic 模型；b. 隨機森林模型；c. 支持向量機模型；d. 極端梯度提升模型。AUC：曲線下面積
2.4 基于 SHAP 值解釋 XGBoost 模型
由表2 可知 XGBoost 模型在預測患者入 ICU 28 d 內發生死亡的準確率最高，且具有較高的召回率、F1 值與 AUC 值，因此 XGBoost 模型被確定為最優模型。依據建立的 XGBoost 模型（最佳參數 eta=0.1，max_depth=4，gamma=0.1，colsample_bytree=0.8，min_child_weight=5，subsample=0.8）繪制了所納入獨立危險因素的 SHAP 圖（圖4a）。其中，入 ICU 時的乳酸被識別為對患者 28 d 生存影響最大的獨立危險因素。此外，入 ICU 時患者的 APS Ⅲ評分越高，年齡越大，血紅蛋白、平均動脈壓及 BMI 越低，則患者在入 ICU 28 d 內發生死亡的概率也越大。圖4b 與圖4c 顯示了依據 XGBoost 模型預測的在入 ICU 28 d 內死亡及存活患者的個體 SHAP 圖，其中 SHAP 值表示患者臨床特征對死亡預測的貢獻大小。
圖4
基于 SHAP 值解釋 XGBoost 模型
a. 納入 XGBoost 模型中的所有危險因素的 SHAP 值分布狀況，正值表示患者在入 ICU 28 d 內發生死亡的概率越大，負值表示患者在入 ICU 28 d 內發生死亡的概率越小；b. XGBoost 模型預測的入 ICU 28 d 內發生死亡的一例患者其 6 個危險因素對死亡結局的影響，
3 討論
RI-AKI 的發生可能涉及橫紋肌溶解原發疾病、肌細胞內容物肌紅蛋白的釋放及全身炎癥反應等多重機制[1, 11-12]，常伴有少尿、肌紅蛋白尿、氮質血癥、嚴重電解質紊亂和酸堿失衡等狀況，患者預后極差。CRRT 作為器官支持的一部分，被越來越多地應用于危重患者。與其他病因所致的 AKI 患者相比，RI-AKI 患者更有可能從 CRRT 中獲益，因為 CRRT 可以持續清除受損肌細胞釋放的肌紅蛋白和其他有毒物質，然而臨床中經 CRRT 治療的患者預后仍較差。在本研究中，經 CRRT 治療的 RI-AKI 患者的死亡率高達 49.7%，入 ICU 時的血氣乳酸、年齡、APS Ⅲ評分、血紅蛋白、平均動脈壓、BMI 與患者 28 d 死亡相關。
橫紋肌溶解的常見病因如擠壓傷、熱射病等，常伴有嚴重的休克、組織灌注不足、乳酸釋放增加。此外，肌肉受損后亦可直接釋放多種酸性物質，如乳酸、尿酸、磷酸鹽等[13]。本研究發現，高乳酸是影響經 CRRT 治療的 RI-AKI 患者預后的首要因素，乳酸的升高代表嚴重的代謝性酸中毒，這可能與橫紋肌溶解所致的全身炎癥反應與氧化應激相關[14-15]。而酸中毒會進一步加劇高鉀血癥、低鈣血癥等離子紊亂，影響患者的預后[13]。
APS Ⅲ評分是急性生理評分Ⅱ的一部分，包括 4 個部分：氧合指數、基礎代謝率、血清乳酸濃度與呼吸頻率，以評估患者呼吸窘迫程度、營養狀況、循環功能、呼吸功能。以往研究表明，在膿毒癥所致 AKI 患者中，高 APS Ⅲ評分與患者死亡密切相關[16]，這與我們的發現類似，這提示 APS Ⅲ評分在該類患者中具有重要應用價值。
除上述因素外，入 ICU 時的年齡、血紅蛋白、平均動脈壓與 BMI 也被識別為影響經 CRRT 治療的 RI-AKI 患者 28 d 預后的危險因素。年齡作為影響生存的重要危險因素已在眾多研究中闡明。年齡越高，患者的身體狀況以及器官代償能力越差。此外，老年人腎臟結構和功能均發生了退行性改變，使其更易受到肌肉破壞釋放的毒素的影響，這支持年齡是 RI-AKI 患者發生不良預后的危險因素[17]。低 BMI 患者常伴有蛋白質和能量攝入低、營養不良、惡病質和營養儲備不足，進而無法代償危重疾病的消耗，促使死亡風險增加[18]。較低的血紅蛋白和血壓，代表循環血容量不足或休克狀態，提示病情危重。最新研究表明，ICU 住院期間血壓的降低與患者發生 AKI 及死亡風險的增加有關，且 AKI 與死亡風險的關聯會隨著低血壓嚴重程度的增加而增加[19]，因此在治療過程中應密切監測患者血壓。
基于上述 6 個變量開發的 4 個臨床預測模型均具有良好的效能，但 XGBoost 略好于 logistic 模型、隨機森林模型及支持向量機模型。XGBoost 作為一種基于決策樹的算法，由于其最佳精度值和預測性能，已被作為回歸分析的替代算法之一。在以往研究中，XGBoost 模型已被發現可應用于預測多種患者不良預后的發生[20-22]，但 XGBoost 模型是否可應用于經 CRRT 治療的 RI-AKI 患者尚待明確。在我們的研究中，通過收集 MIMIC-IV 數據庫中的患者數據進行分析評估，發現 XGBoost 模型預測效能良好。最重要的是，我們使用 SHAP 值這種方法對 XGBoost 模型進行了評估解釋，這有助于臨床醫生更好地理解并使用該模型。
然而，本研究也有以下局限性。首先，本研究為回顧性研究，部分影響患者生存的危險因素無法收集齊全，這可能限制本研究的準確性，未來需要通過前瞻性研究進一步探索。其次，本研究納入人群為 ICU 患者，在普通病房中的患者或許僅能作為參考。最后，本研究納入的樣本量較少且缺乏外部驗證，這與該類疾病常集中于特定人群且為散發不無關系，因此有必要收集多中心數據進行驗證。
綜上所述，基于患者入 ICU 時的血氣乳酸、年齡、APS Ⅲ評分、血紅蛋白、平均動脈壓及 BMI 建立的 XGBoost 模型的預測效能令人滿意，可為臨床醫生早期識別高危患者并早期臨床決策提供有效參考。
利益沖突：所有作者聲明不存在利益沖突。
橫紋肌溶解是由多種病因導致的骨骼肌細胞膜完整性破壞，細胞內容物如肌紅蛋白、肌酸激酶等釋放而引發的臨床綜合征[1]。急性腎損傷（acute kidney injury, AKI）是其最常見的并發癥，發病率波動于 20%～80%[2-3]，且與不良預后相關。據報道，橫紋肌溶解致 AKI（rhabdomyolysis-induced AKI, RI-AKI）患者病死率可高達 62%[2]，28.8% 的 RI-AKI 患者最終將進入慢性腎臟病階段[3]。目前，RI-AKI 缺乏針對性藥物，治療方案仍以補液為主[4-6]。腎臟替代療法可清除 RI-AKI 的主要致病物質肌紅蛋白，并糾正疾病引發的電解質紊亂和酸中毒[7-8]，近年來已成為 RI-AKI 的治療方案之一。連續性腎臟替代治療（continuous renal replacement therapy, CRRT）具有持續清除肌紅蛋白并維持血流動力學穩態的優勢，是橫紋肌溶解患者常用的腎臟替代治療模式。盡管 CRRT 有諸多優勢，但經 CRRT 治療的 RI-AKI 患者死亡率仍較高[9]，如何早期識別死亡高危患者相當重要，這將有助于提供適當的護理和優化資源分配。因此，針對上述問題，本研究擬通過收集經 CRRT 治療的 RI-AKI 患者的臨床預后信息，識別該類患者發生不良預后的危險因素并建立臨床預測模型，以期為指導該類患者的治療提供有力工具。
1 對象與方法
1.1 研究對象
本研究的患者數據來源于 MIMIC-IV（Medical Information Mart for Intensive Care-IV）2.2 數據庫，該數據庫包含了 2008 年—2019 年在美國 Beth Israel Deaconess 醫療中心重癥監護病房（intensive care unit, ICU）接受治療患者的相關臨床信息。本文作者之一（邢彥）已經取得訪問該數據庫的相關權限（認證編號：12820780），通過結構化查詢語言使用 pgAdmin4 軟件從數據庫中提取相關患者的人口學特征、實驗室檢查結果及預后狀況。由于本研究是回顧性研究且數據庫中的人員信息已被隱藏，因此免除知情同意書。
納入標準：① 首次入 ICU；② 年齡≥18 歲；③ 入院首次肌酸激酶檢測結果≥
1.2 數據收集及研究終點
收集入組患者的性別、年齡、既往史（高血壓、慢性腎臟病、糖尿病）、收縮壓、舒張壓、體質量指數（body mass index, BMI）及入 ICU 時測量的血常規、肝腎功能、離子、肌酸激酶檢測結果，AKI 臨床分期（根據 2012 年改善全球腎臟預后組織 AKI 指南[10]）及是否接受 CRRT 治療或機械通氣治療。疾病嚴重程度使用序貫器官衰竭估計評分（Sequential Organ Failure Assessment, SOFA）和急性生理評分Ⅲ（Acute Physiology Score Ⅲ, APS Ⅲ）來評估。研究終點為入 ICU 后 28 d 內發生死亡。
1.3 統計學方法
刪除缺失超過 30% 的變量，剩余缺失變量使用隨機森林插補法進行插補。使用 Spearman 相關性分析檢查納入連續型變量的相關性，刪除相關性系數大于 0.75 的變量。將所有患者臨床數據按照 7∶3 的比例隨機分為訓練集及測試集，在訓練集中使用 LASSO 回歸、隨機森林及極端梯度提升法（extreme gradient boosting, XGBoost）篩查影響患者 28 d 死亡的危險因素，納入 3 種方式共同篩選出的變量構建預測模型并確定模型的最優參數，使用準確率、精確率、召回率、F1 值及受試者操作特征曲線的曲線下面積（area under the curve, AUC）在測試集中評估模型的性能。其中準確率為模型正確預測的樣本數占總樣本數的比例，準確率=（真正例+真負例）/總樣本數；精確率為模型預測為正例的樣本中，實際上為正例的比例，精確率=真正例/（真正例+假正例）；召回率為在所有實際正例中，模型成功識別的比例，召回率=真正例/（真正例+假負例）；F1 值為精確率和召回率的調和平均數，F1 值=2×精確率×召回率/（精確率+召回率）。基于 SHapley Additive exPlanations（SHAP）值來解釋最優機器學習模型，并量化輸入特征對模型預測結果的貢獻度。符合正態分布的連續型變量以均數±標準差表示，非正態分布的連續變量以中位數（下四分位數，上四分位數）表示，分類變量使用頻數和/或百分率表示。使用 t 檢驗或 Mann-Whitney U 檢驗來比較連續型變量，使用 χ2 檢驗或 Fisher 確切概率法比較分類變量。使用 R 4.3.0 軟件進行統計分析，雙側檢驗水準 α=0.05。預測模型的建立與驗證使用的 R 軟件包包括“missforest 1.5”“XGBoost 1.7.5.1”“randomForest 4.7-1.1”“e1071 1.7-13”“caret 6.0-94”及“shapviz 0.9.4”等。
2 結果
2.1 患者基本資料
根據納入排除標準，共納入 175 例患者（圖1）。入組患者年齡（57.2±16.8）歲，其中男性 119 例（68.0%），肌酸激酶
圖1
研究流程圖
ICU：重癥監護病房；ICD：國際疾病分類法；CRRT：連續性腎臟替代治療；XGBoost：極端梯度提升法；AUC：受試者操作特征曲線下面積；SHAP：SHapley Additive exPlanations
表1
納入患者基本資料
2.2 影響患者生存的危險因素
根據 LASSO 回歸結果，住 ICU 期間是否需要使用機械通氣治療，入 ICU 時測的乳酸、年齡、總膽紅素、血鈉濃度、APS Ⅲ評分、平均動脈壓、血紅蛋白及 BMI 等 9 個變量被識別為影響患者 28 d 生存的危險因素（圖2a、2b）。依據隨機森林模型，入 ICU 時的乳酸、APS Ⅲ評分、年齡、血鈉濃度、SOFA 評分、平均動脈壓、血紅蛋白、血肌酐及 BMI 是影響患者生存的前 9 個危險因素（圖2c）。而入 ICU 時的乳酸、年齡、APS Ⅲ評分、平均動脈壓、血紅蛋白、BMI、血小板計數、血肌酐、血鈣濃度為 XGBoost 模型識別出的對患者 28 d 生存有影響的 9 個變量（圖2d）。依據以上 3 種方式的篩查結果，本研究將入 ICU 時測的乳酸、年齡、APS Ⅲ評分、血紅蛋白、平均動脈壓及 BMI 確定為影響患者 28 d 生存的危險因素。
圖2
影響患者 28 d 生存的危險因素
a. LASSO 回歸十折交叉驗證曲線，圖中下
2.3 模型的建立與評估
依據篩查出的危險因素，通過訓練集數據確定模型的最優參數并建立 logistic 模型、隨機森林模型、支持向量機模型及 XGBoost 模型，計算各預測模型在測試集中的評估指標。其中，隨機森林模型的精確率最高，XGBoost 模型的準確率、召回率、F1 值在 4 個預測模型中均為最高，見表2。
表2
各模型預測患者 28 d 死亡的效果評價
繪制各預測模型在測試集中的受試者操作特征曲線，各個預測模型均表現良好。其中 logistic 模型的 AUC 值最低（0.820），隨機森林模型的 AUC 值為 0.850，支持向量機模型及 XGBoost 模型的 AUC 均為 0.870。見圖3。
圖3
各模型預測患者 28 d 死亡的受試者操作特征曲線
a. logistic 模型；b. 隨機森林模型；c. 支持向量機模型；d. 極端梯度提升模型。AUC：曲線下面積
2.4 基于 SHAP 值解釋 XGBoost 模型
由表2 可知 XGBoost 模型在預測患者入 ICU 28 d 內發生死亡的準確率最高，且具有較高的召回率、F1 值與 AUC 值，因此 XGBoost 模型被確定為最優模型。依據建立的 XGBoost 模型（最佳參數 eta=0.1，max_depth=4，gamma=0.1，colsample_bytree=0.8，min_child_weight=5，subsample=0.8）繪制了所納入獨立危險因素的 SHAP 圖（圖4a）。其中，入 ICU 時的乳酸被識別為對患者 28 d 生存影響最大的獨立危險因素。此外，入 ICU 時患者的 APS Ⅲ評分越高，年齡越大，血紅蛋白、平均動脈壓及 BMI 越低，則患者在入 ICU 28 d 內發生死亡的概率也越大。圖4b 與圖4c 顯示了依據 XGBoost 模型預測的在入 ICU 28 d 內死亡及存活患者的個體 SHAP 圖，其中 SHAP 值表示患者臨床特征對死亡預測的貢獻大小。
圖4
基于 SHAP 值解釋 XGBoost 模型
a. 納入 XGBoost 模型中的所有危險因素的 SHAP 值分布狀況，正值表示患者在入 ICU 28 d 內發生死亡的概率越大，負值表示患者在入 ICU 28 d 內發生死亡的概率越小；b. XGBoost 模型預測的入 ICU 28 d 內發生死亡的一例患者其 6 個危險因素對死亡結局的影響，
3 討論
RI-AKI 的發生可能涉及橫紋肌溶解原發疾病、肌細胞內容物肌紅蛋白的釋放及全身炎癥反應等多重機制[1, 11-12]，常伴有少尿、肌紅蛋白尿、氮質血癥、嚴重電解質紊亂和酸堿失衡等狀況，患者預后極差。CRRT 作為器官支持的一部分，被越來越多地應用于危重患者。與其他病因所致的 AKI 患者相比，RI-AKI 患者更有可能從 CRRT 中獲益，因為 CRRT 可以持續清除受損肌細胞釋放的肌紅蛋白和其他有毒物質，然而臨床中經 CRRT 治療的患者預后仍較差。在本研究中，經 CRRT 治療的 RI-AKI 患者的死亡率高達 49.7%，入 ICU 時的血氣乳酸、年齡、APS Ⅲ評分、血紅蛋白、平均動脈壓、BMI 與患者 28 d 死亡相關。
橫紋肌溶解的常見病因如擠壓傷、熱射病等，常伴有嚴重的休克、組織灌注不足、乳酸釋放增加。此外，肌肉受損后亦可直接釋放多種酸性物質，如乳酸、尿酸、磷酸鹽等[13]。本研究發現，高乳酸是影響經 CRRT 治療的 RI-AKI 患者預后的首要因素，乳酸的升高代表嚴重的代謝性酸中毒，這可能與橫紋肌溶解所致的全身炎癥反應與氧化應激相關[14-15]。而酸中毒會進一步加劇高鉀血癥、低鈣血癥等離子紊亂，影響患者的預后[13]。
APS Ⅲ評分是急性生理評分Ⅱ的一部分，包括 4 個部分：氧合指數、基礎代謝率、血清乳酸濃度與呼吸頻率，以評估患者呼吸窘迫程度、營養狀況、循環功能、呼吸功能。以往研究表明，在膿毒癥所致 AKI 患者中，高 APS Ⅲ評分與患者死亡密切相關[16]，這與我們的發現類似，這提示 APS Ⅲ評分在該類患者中具有重要應用價值。
除上述因素外，入 ICU 時的年齡、血紅蛋白、平均動脈壓與 BMI 也被識別為影響經 CRRT 治療的 RI-AKI 患者 28 d 預后的危險因素。年齡作為影響生存的重要危險因素已在眾多研究中闡明。年齡越高，患者的身體狀況以及器官代償能力越差。此外，老年人腎臟結構和功能均發生了退行性改變，使其更易受到肌肉破壞釋放的毒素的影響，這支持年齡是 RI-AKI 患者發生不良預后的危險因素[17]。低 BMI 患者常伴有蛋白質和能量攝入低、營養不良、惡病質和營養儲備不足，進而無法代償危重疾病的消耗，促使死亡風險增加[18]。較低的血紅蛋白和血壓，代表循環血容量不足或休克狀態，提示病情危重。最新研究表明，ICU 住院期間血壓的降低與患者發生 AKI 及死亡風險的增加有關，且 AKI 與死亡風險的關聯會隨著低血壓嚴重程度的增加而增加[19]，因此在治療過程中應密切監測患者血壓。
基于上述 6 個變量開發的 4 個臨床預測模型均具有良好的效能，但 XGBoost 略好于 logistic 模型、隨機森林模型及支持向量機模型。XGBoost 作為一種基于決策樹的算法，由于其最佳精度值和預測性能，已被作為回歸分析的替代算法之一。在以往研究中，XGBoost 模型已被發現可應用于預測多種患者不良預后的發生[20-22]，但 XGBoost 模型是否可應用于經 CRRT 治療的 RI-AKI 患者尚待明確。在我們的研究中，通過收集 MIMIC-IV 數據庫中的患者數據進行分析評估，發現 XGBoost 模型預測效能良好。最重要的是，我們使用 SHAP 值這種方法對 XGBoost 模型進行了評估解釋，這有助于臨床醫生更好地理解并使用該模型。
然而，本研究也有以下局限性。首先，本研究為回顧性研究，部分影響患者生存的危險因素無法收集齊全，這可能限制本研究的準確性，未來需要通過前瞻性研究進一步探索。其次，本研究納入人群為 ICU 患者，在普通病房中的患者或許僅能作為參考。最后，本研究納入的樣本量較少且缺乏外部驗證，這與該類疾病常集中于特定人群且為散發不無關系，因此有必要收集多中心數據進行驗證。
綜上所述，基于患者入 ICU 時的血氣乳酸、年齡、APS Ⅲ評分、血紅蛋白、平均動脈壓及 BMI 建立的 XGBoost 模型的預測效能令人滿意，可為臨床醫生早期識別高危患者并早期臨床決策提供有效參考。
利益沖突：所有作者聲明不存在利益沖突。
