急性腎損傷（acute kidney injury，AKI）是心臟術后常見的高死亡率的并發癥之一，國內外先后建立了多個心臟術后 AKI 預測模型。本文介紹國內外常用的 14 種心臟術后 AKI 預測模型的構成特點、臨床應用以及預測能力的比較。年齡、充血性心力衰竭（congestive heart failure，CHF）、高血壓、左室射血分數（left ventricular ejection fraction，LVEF）、糖尿病、瓣膜手術、冠狀動脈旁路移植術（coronary artery bypass grafting，CABG）聯合瓣膜手術、急診手術、術前肌酐、術前腎小球濾過率估值（estimated glomerular filtration rate，eGFR）、紐約心臟協會（New York Heart Association，NYHA）心功能分級>Ⅱ級、既往心臟手術史、體外循環（cardiopulmonary bypass，CPB）時間和術后低心排血量綜合征（low cardiac output syndrome，LCOS）等危險因素被多次（>3 次）納入不同的預測模型。歐美人群中比較 Cleveland、Mehta 和 SRI 模型對 AKI 和需腎臟替代治療（renal replacement therapy，RRT）的 AKI（RRT-AKI）的預測能力時，Cleveland 有較高的分辨度，但對于中國人群，以上 3 種模型對 AKI 和 RRT-AKI 的預測能力均欠佳。
引用本文： 吳東辰, 王琦, 張楊楊. 心臟術后急性腎損傷預測模型的研究現狀. 中國胸心血管外科臨床雜志, 2018, 25(3): 237-248. doi: 10.7507/1007-4848.201612020 復制
版權信息： ?四川大學華西醫院華西期刊社《中國胸心血管外科臨床雜志》版權所有，未經授權不得轉載、改編
急性腎損傷（acute kidney injury，AKI）是常見的心臟術后并發癥之一，死亡率高[1-4]。由于 AKI 定義的差異，AKI 的發生率約為 5%～42%，其中 1%～4% 的患者需行腎臟替代治療（renal replacement therapy，RRT）[5-10]。心臟術后 AKI 會延長住院時間并增加患者術后遠期的死亡風險[11-13]。即使術后輕微的 AKI（肌酐升高>3 mg/L）仍會增加患者術后 30 d 死亡率[11, 14-16]，術后需 RRT 治療的 AKI（renal replacement therapy-acute kidney injury，RRT-AKI）患者死亡率是未發生 AKI 患者的 9 倍[17]。AKI 發生 24～48 h 內及時治療可有效改善患者預后[18]。為精確預測心臟術后 AKI 的發生，國內外先后建立了多個預測模型，以便及時診斷和治療，從而更好地改善患者預后和配置醫療資源[18]。在風險、損傷、衰竭、腎功能喪失、終末期腎病工作組標準（risk，injury，failure，loss of kidney function and end-stage renal failure，RIFLE）、急性腎損傷網絡工作小組標準（Acute Kidney Injury Network，AKIN）和改善全球腎臟病預后工作組標準（Kindney Disease: Improving Global Outcomes，KDIGO）[19]中，RRT-AKI 定義為需行 RRT 的嚴重 AKI。本文介紹了目前國內外常用的 14 種心臟術后 RRT-AKI 和 AKI 預測模型。
1 心臟術后 RRT-AKI 預測模型
1.1 CICSS（continuous improvement in cardiac surgery study）預測模型
1997 年 Chertow 等[20]對 1987～1994 年 43 642 例單純冠狀動脈旁路移植術（coronary artery bypass grafting，CABG）和瓣膜手術的患者進行隊列研究，建立了 CICSS 預測模型。篩選其中 42?773 例患者為建模組，以 1994 年 4～10 月期間手術治療的3 795 例患者為驗證組。研究以 RRT-AKI 為研究終點，RRT-AKI 定義為腎功能惡化且術后 30 d 內需行 RRT。建模組 RRT-AKI 發生率為 1.1%。該預測模型的危險因素為：瓣膜手術、估計肌酐清除率≤100 ml/min、術前主動脈內球囊反搏（intra-aortic balloon pump，IABP）、既往心臟手術史、紐約心臟協會（New York Heart Association，NYHA）心功能Ⅳ級、外周血管疾病（peripheral vascular disease，PVD）、左室射血分數（left ventricular ejection fraction，LVEF）<35%、肺部啰音、慢性阻塞性肺病（chronic obstructive pulmonary disease，COPD）、140 mm Hg≤收縮壓≤159 mm Hg、收縮壓<120 mm Hg 合并瓣膜手術、收縮壓≥160 mm Hg 合并瓣膜手術、收縮壓≥160 mm Hg 合并 CABG。建模組的受試者工作特征曲線下面積（area under receiver operating characteristic curve，AUROC）為 0.76，分辨度良好。該預測模型為大樣本、多中心和前瞻性研究，10 個危險因素均為術前指標，方便臨床使用。
1.2 Cleveland 預測模型
2005 年 Thakar 等[21]對 33 217 例心臟手術患者進行隊列研究，建立心臟術后 RRT-AKI 預測模型，即 Cleveland 預測模型。預測模型納入 13 個術前危險因素：性別、充血性心力衰竭（congestive heart failure，CHF）、LVEF<35%、術前 IABP、COPD、胰島素依賴性糖尿病、既往心臟手術史、急診手術、瓣膜手術、CABG 合并瓣膜手術、其他心臟手術、術前肌酐 12～21 mg/L、術前肌酐≥21 mg/L。根據危險因素對應分值，對患者進行評分。Cleveland 預測模型評分范圍在 0～17 分，由于該研究沒有收錄評分>13 分的患者，故分為 4 組（0～2 分、3～5 分、6～8 分、9～13 分），各組術后急性腎功能衰竭（acute renal failure，ARF）的發生率為 0.5%～22.1%，RRT-ARF 為研究終點。建模組 AUROC=0.81［95%CI（0.78，0.83）］，驗證組 AUROC=0.82［95%CI（0.80，0.85）］，提示分辨度良好。Cleveland 預測模型納入的 13 個危險因素均為術前指標，臨床使用便捷，該預測模型建模樣本量大，增強了預測能力，但該預測模型缺乏多中心和前瞻性的驗證研究。
1.3 Mehta 預測模型
2006 年 Mehta 等[22]對多中心 449 524 例心臟手術患者臨床資料進行分析，建立了包括糖尿病、心源性休克、NYHA 心功能分級等 22 個危險因素的預測模型，最終簡化為包含術前最后一次肌酐、年齡≥55 歲、心臟手術類型（瓣膜手術，CABG 聯合瓣膜手術）、糖尿病、21 d 內心肌梗死、種族、COPD、糖尿病、既往心臟手術史、心源性休克、NYHA 心功能分級Ⅳ級等 10 個危險因素的 Mehta 預測模型。該研究以 RRT-AKI 為研究終點，采用 MDRD（modification of diet in renal disease）公式計算腎小球濾過率估值（estimated glomerular filtration rate，eGFR）。預測模型建模組 AUROC=0.83，分辨度良好。在數據處理中，患者缺失的 LVEF 賦值為 50%，缺失的其他類型數據賦值為人群正常值，影響了術后 AKI 預測的準確性。此外，過多的危險因素限制了該預測模型的臨床應用效果[23]。
1.4 SRI（simplified renal index）預測模型
2007 年 Wijeysundera 等[24]對雙中心 20 131 例心臟手術患者臨床資料進行回顧性分析，建立了 SRI 預測模型。該研究以多倫多總醫院 1999～2004 年的 10 751 例心臟手術患者為建模組，多倫多總醫院 2004～2005 年 2 566 例患者和渥太華心臟中心 1999～2003 年 6 814 例患者為驗證組。以 RRT-AKI 為研究終點，確定了 31 ml/（min·1.73 m2）≤術前 eGFR≤60 ml/（min·1.73 m2）、術前 eGFR≤30 ml/（min·1.73 m2）、糖尿病、LVEF<40%、既往心臟手術史、非 CABG 或房間隔缺損修補術、術前 IABP 和非擇期手術 8 個術前獨立危險因素，賦值 0～8 分。建模組、多倫多驗證組和渥太華驗證組的術后 RRT-AKI 發生率分別為 1.3%、1.8% 和 2.2%，AUROC 分別為 0.81［95%CI（0.78，0.84）］、0.78［95%CI（0.72，0.84）］和 0.78［95%CI（0.74，0.81）］。該預測模型參數較少且容易獲得，方便臨床使用，但采用精確度不夠高的 Cockcroft-Gault 公式計算 eGFR[25]，研究終點 RRT 的指征缺乏統一標準，影響了預測模型的預測效能。
1.5 Pannu 預測模型
2016 年 Pannu 等[26]分析 10 787 例心臟手術患者的臨床資料，建立并驗證了預測術后 14 d 內 RRT-AKI 風險的 Pannu 預測模型。該模型納入 8 個危險因素：CHF、加拿大心血管協會分級（Canadian Cardiovascular Society，CCS）Ⅲ或Ⅳ級、糖尿病、基礎 eGFR<90 ml/（min·1.73 m2）（CKD-ERI 計算術前 3 個月內最近一次 eGFR）、術前貧血和蛋白尿。建模組（n=6 061）和驗證組（n=4 467）中 RRT-AKI 發生率分別為 2.5% 和 3.1%。該研究以術后 RRT-AKI 作為終點事件，采用 Hosmer-Lemeshow 擬合優度檢驗和標定斜率（calibration slope，理想值為 1）評價預測模型的校準度，建模組 AUROC=0.87［95%CI（0.85，0.90）］，P=0.7，標定斜率=0.96，提示分辨度和校準度良好。根據預測模型評分高低對患者進行分組，采用再分類優化指數（net reclassification improvement index，NRI）評估 Pannu 預測模型對患者術后 AKI 風險分組的效果。該預測模型所需數據均來自術前臨床和實驗室數據，方便臨床使用。由于蛋白尿檢測不是心臟術前常規檢查，25% 的病例沒有尿蛋白數據，影響了該預測模型的預測效能。另外，Pannu 預測模型建模組和驗證組中的病例樣本來自加拿大阿爾伯塔，在其他國家和地區是否有良好的預測能力，仍需多中心、大樣本進一步的驗證。
2 心臟術后無需 RRT 的 AKI 預測模型
2.1 MCSPI（multicenter study of perioperative ischemia）預測模型
2007 年 Aronson 等[27]對 16 個國家的 70 個研究中心 4 801 例體外循環（cardiopulmonary bypass，CPB）的 CABG 患者進行前瞻性研究，其中 2 381 例為建模組，2 420 例為驗證組，建立了預測腎臟復合事件的 MCSPI 預測模型。腎臟復合事件包括腎功能不全或腎衰竭，腎功能不全定義為術后肌酐>20 mg/L 同時肌酐至少比術前基礎肌酐高 7 mg/L。腎衰竭定義為需要 RRT 的腎功能不全或尸檢結果為腎衰竭。建模組中腎臟復合事件的發生率為 4.8%。該模型的獨立危險因素為：年齡>75 歲、術前脈壓>40 mm Hg、CHF、術前心肌梗死、術前腎病史、術中使用正性肌力藥物和 CPB 時間>122 min。建模組的 AUROC=0.84，驗證組的 AUROC=0.8，分辨度良好。該模型優點在于建模樣本來自多個中心和地區，但該模型缺乏多中心大樣本的進一步驗證。
2.2 NNECDSG（Northern New England cardiovascular disease study group，NNECDSG）預測模型
2007 年 Brown 等[28]對新英格蘭北部 8 個醫學中心的 8 363 例 CABG 患者資料進行多因素回歸分析，建立了 NNECDSG 預測模型。該模型以重度腎功能不全為研究終點，采用 MDRD 公式計算 eGFR。重度腎功能不全定義為術后 eGFR<30 ml/（min·1.73 m2）。建模組重度腎功能不全的發生率為 3%。模型納入的 11 個術前危險因素分別為：年齡≥60 歲、女性、糖尿病、白細胞數>12 000/mm3、既往 CABG 史、CHF、PVD 和術前 IABP。建模組的 AUROC=0.72［95%CI（0.68，0.75）］，Hosmer-Lemeshow 擬合優度檢驗的 P 值為 0.28。該研究為多中心研究，樣本量較大，11 個危險因素均為術前指標，方便臨床使用。NNECDSG 預測模型沒有建立驗證組，模型的預測效能仍需進一步驗證。
2.3 AKICS（acute kidney injury following cardiac surgery）預測模型
2007 年 Palomba 等[18]通過對單中心 603 例心臟手術患者隊列研究建立了 AKICS 預測模型。建模樣本包括 CABG、瓣膜手術和 CABG 聯合瓣膜手術的患者，術后 AKI 定義為血肌酐> 20 mg/L 或超過基礎肌酐值的 50%。血肌酐基礎值定義為住院前最后一次肌酐值或入院時第一次肌酐值。預測模型納入 8 個圍術期的危險因素，即手術方式、NYHA心功能分級>Ⅱ級、術前肌酐>12 mg/L、低心排血量綜合征（low cardiac output syndrome，LCOS）、年齡>65 歲、CPB 時間>120 min、術前血糖>1 400 mg/L 和中心靜脈壓（central venous pressure，CVP）>14 cm H2O。對參數賦值，評分在 0～20 之間。評分在 0～4、4.1～8、8.1～12、12.1～16、16.1～20 的患者，術后 AKI 的發生率分別為 1.5%、4.3%、9.1%、21.8%和62.5%。該預測模型對患者 AKI 風險分層效果良好，建模組的 AUROC=0.843［95%CI（0.78，0.89）］，提示分辨度良好。該預測模型的建模樣本僅 603 例，AKI 定義也不是目前普遍使用的 RIFLE、AKIN 和 KDIGO 標準，所以仍需多個中心、大樣本數據的進一步驗證[25]。另外 AKICS 預測模型納入了術中、術后的危險因素，限制了術前的臨床應用。
2.4 SAKI（Singapore acute kidney injury）預測模型
2016 年 Mithiran 等[29]回顧性分析新加坡單中心 954 例 CABG 患者的臨床資料，建立了針對亞洲人的心臟術后 AKI 預測模型，即 SAKI 預測模型。樣本的 80% 為建模組，20% 為驗證組。AKI 診斷采用 AKIN 標準，建模組 AKI 發生率為 29.34%。SAKI 預測模型納入的圍術期危險因素有：年齡>60 歲、胰島素依賴性糖尿病、eGFR<60 ml/（min·1.73 m2）、LVEF<40%、CPB 時間>140 min 和升主動脈阻斷時間>100 min。根據患者分值進行分組，AKI 發生率在 17%～73%，與實際 AKI 發生率 22%～74% 相近。建模組的 AUROC=0.734［95%CI（0.690，0.767）］，驗證組的 AUROC=0.740［95%CI（0.675，0.805）］。SAKI 模型基于亞洲人群建立，優勢在于采用了較新的 AKIN 標準，含有的 6 個危險因素臨床上易獲得，使用方便。SAKI 預測模型是一個單中心回顧性研究，建模樣本量較小，使用 AKIN 標準診斷 AKI 時，忽略了尿量這一變量。另外建模樣本均為 CABG 患者，對其他心臟手術患者是否適用還需多中心、大樣本量和前瞻性的進一步驗證。
2.5 Chuang WN 預測模型
2016 年 Nah 等[30]對新加坡國立大學醫院和新加坡總醫院 2 508 例心臟手術患者臨床資料進行分析，其中符合納入標準的 2 385 例作為建模組，另篩選 500 例患者資料作為驗證組，建立了 Chuang WN 預測模型。研究納入 CABG、瓣膜手術和 CABG 聯合瓣膜手術的患者。采用 AKIN 標準定義 AKI，建模組術后 AKI 發生率為 30.5%。該模型的危險因素有：年齡>65 歲、高血壓、術前貧血、eGFR<60 ml/（min·1.73 m2）、術中輸注紅細胞、術中 IABP、CPB 時間>120 min 和 CPB 期間最低血細胞比容<22%。采用 CKD-EPI 公式計算 eGFR。預測模型評分為 0～14 分，并根據評分值（0～4，5～8，9～14）分為 3 組，AKI 發生率分別為 18%、39% 和 64%。建模組 AUROC =0.7［95%CI（0.68，0.72）］，驗證組 AUROC=0.75［95%CI（0.7，0.8）］，分辨度良好。該研究優勢在于納入了術前貧血、術中輸血等較新的危險因素。但在使用 AKIN 診斷標準時，該研究同樣省略了尿量這一變量。
2.6 CRATE（creatinine score+lactic Acid score+CPB timescore+EuroSCORE score）預測模型
2016 年 Jorge-Monjas 等[31]對西班牙 909 例心臟手術患者進行前瞻性動態隊列研究，納入符合標準的 810 例患者為建模組，另外兩家醫院 741 例心臟手術患者為驗證組，建立 CRATE 預測模型。預測模型收錄 CABG 以及瓣膜手術的患者。建模組 AKI 發生率為 16.9%，驗證組 AKI 發生率為 15.7%。對 AKI 診斷采取 RIFLE 標準。模型納入的危險因素為：肌酐、歐洲心臟手術風險評估系統評分（European system for cardiac operative risk evaluation，EuroSCORE）、乳酸和 CPB 時間。根據評分，患者術后 AKI 風險分為很低、低、中、高、很高 5 組，5 組實際 AKI 發生率分別為 1.69%、8.84%、32.33%、58.66%、84.95%。建模組 AUROC=0.89［95%CI（0.85，0.92）］，驗證組 AUROC=0.81［95%CI（0.78，0.85）］，模型分辨度較高。使用 RIFLE 標準時，該研究省略了尿量這一變量。臨床易獲得的肌酐、乳酸水平、CPB 時間和 EuroSCORE，使 CRATE 預測模型應用方便快捷，在患者剛進入 ICU 時（1～2 h）就可以評估其 AKI 發生風險，利于臨床醫生對患者術后 AKI 進行早期干預。對于 EuroSCOREⅡ在 CRATE 評分中的應用還需要進一步研究修正。
2.7 Won HK 預測模型
主動脈手術后 AKI 發生率為 18%～55%，比其他心臟手術后 AKI 發生率更高[5-10, 32]。目前心臟術后 AKI 預測模型的建模樣本中，沒有或很少有主動脈手術病例[18, 20-22, 24-33]。2013 年 Kim 等[32]對韓國三星醫學中心 737 例主動脈手術患者臨床資料進行回顧性研究，建立了針對主動脈手術后 AKI 的預測模型，即 Won HK 預測模型。隨機選取 417 例患者為建模組，余 320 例為驗證組。采用 RIFLE 標準診斷 AKI，全組樣本中 29% 術后發生 AKI，5.8% 術后需要 RRT。使用 MDRD 公式計算 eGFR。預測模型納入的獨立危險因素包括：年齡>60 歲、術前 eGFR< 60 ml/（min·1.73 m2）、LVEF<55%、手術時間>7 h、術中尿量<0.5 ml/（kg·h）和術中使用呋塞米，每個危險因素賦值 1 分。建模組 AUROC=0.74［95%CI（0.69，0.79）］，驗證組 AUROC=0.74［95%CI（0.69，0.8）］。該預測模型只有 6 個危險因素，方便臨床使用，但樣本量較小（n=737），且該研究為單中心研究，需要在多中心對預測模型進行進一步驗證。由于該樣本數據跨越時間較長（1997～2010 年），期間主動脈手術治療方案和技術變化很大，該模型的預測效能受到了影響。
2.8 Jiang WHⅠ預測模型
2013 年姜物華[25]對復旦大學附屬中山醫院1 394 例心臟手術患者的臨床資料進行分析，排除不符合納入標準的 27 例，以其中 1 067 例患者為建模組，余 300 例為驗證組，建立了 Jiang WHⅠ預測模型。全組樣本中 CABG 占 8.8%，非體外循環冠狀動脈旁路移植術（off-pump coronary artery bypass grafting，OPCABG）占 25.8%，瓣膜手術占 58.2%，CABG 聯合瓣膜手術占 4.9%。研究采用 KDIGO 作為 AKI 臨床診斷標準，采用 MDRD 簡化公式計算 eGFR。建模組中 20.08% 患者術后發生 AKI。Logistic 逐步回歸分析提示：性別、CABG 聯合瓣膜手術、腦血管病史、術前使用造影劑、術前 NYHA 心功能分級>Ⅱ級、術前血肌酐>13 mg/L、術中輸血漿量>400 ml、術后 LCOS 和術后 CVP>14 mm H2O是心臟術后 AKI 的獨立危險因素。建模組 AUROC=0.81［95%CI（0.757，0.868）］，Hosmer-lemeshow 擬合優度檢驗 χ2=10.13，P=0.256，提示該模型分辨度和校準度良好。與國外 AKI 預測模型相比，Jiang WHⅠ預測模型納入的 AKI 危險因素增加了術前使用造影劑、腦血管病史、術中輸血漿量等參數，但該預測模型僅為單中心研究，樣本量較少，需多中心、大樣本的進一步驗證。
2.9 Jiang WHⅡ預測模型
2016 年 Jiang 等[33]對 7 233 例心臟手術患者臨床資料進行前瞻性分析，以 6 081 例患者為建模組，余 1 152 例患者為驗證組，建立 Jiang WHⅡ預測模型。預測模型收錄了 CABG、OPCABG、瓣膜手術和 CABG 聯合瓣膜手術的患者，確定性別、年齡>41 歲、CABG 聯合瓣膜手術、術前 NYHA 心功能分級>Ⅱ級、既往心臟手術史、術前腎病史（未 RRT），應用 CPB、術中紅細胞輸注和術后 LCOS 等 9 個危險因素。該預測模型細化了 AKI 的發生時間，可評估術前 AKI，預測 ICU 期間和轉出 ICU 24 h之后的 AKI 發生率。建模組評估 3 個時間點 AKI 的 AUROC 分別為 0.75，0.81 和 0.82；驗證組分別為 0.74，0.75 和 0.82。采用 KDIGO 標準作為 AKI 診斷標準，使用 CKD-ERI 公式計算 eGFR。建模組 AKI 發生率是 35.5%，驗證組 AKI 發生率是 33%。預測模型樣本量較大，納入術中紅細胞輸注量和術后 LCOS 等較新危險因素，但樣本來自單個醫學中心，需多個中心的進一步驗證。
3 心臟術后 AKI 預測模型的特點
本文介紹的 14 種心臟術后 AKI 預測模型建模組及驗證組的分辨度和校準度見表 1。
心臟術后 AKI 預測模型納入的危險因素分析：年齡、CHF、高血壓、LVEF、糖尿病、瓣膜手術、CABG 聯合瓣膜手術、急診手術、術前肌酐、術前 eGFR、NYHA 心功能分級>Ⅱ級、既往心臟手術史、CPB 時間和術后 LCOS 等危險因素被納入多個預測模型（>3 個）。特別的危險因素有：① 術前蛋白尿；② 術前貧血；③ 術中紅細胞輸注；④EuroSCORE 評分；⑤ 術中使用呋塞米；⑥ 腦血管病史；⑦ 術前使用造影劑；見表 2。
建模數據庫手術類型分為：CABG（MCSPI、NNECDSG、SAKI）；主動脈手術（Won HK）；其余 10 個預測模型包含了多種常見心臟手術。
建模數據庫人群分為：歐洲、北美人群（CICSS、Cleveland、Mehta、SRI、Pannu、MCSPI、NNECDSG 和 CRATE）；亞洲人群（SAKI、Chuang WN、Won HK、Jiang WHⅠ和 Jiang WHⅡ）；南美人群（AKICS）。
AKI 診斷標準方面，Cleveland、Mehta、SRI、MCSPI、NNECDSG 和 AKICS 的建模時間在 2007 年以前，沒有采用較新的 RIFLE、AKIN 和 KDIGO 等 AKI 診斷標準；CICSS、Pannu 的研究終點為 RRT-AKI，故也沒有采用；而其余 6 個預測模型的建模時間均在 2013 年以后，均采用了較新的 AKI 診斷標準。
CICSS、Cleveland、Mehta、SRI 和 Pannu 的研究終點為 RRT-AKI，建模組 RRT-AKI 的發生率均<3%；AKICS 把心臟術后 AKI 定義為血肌酐>2.0 mg/dl 或超過肌酐基礎值的 50%，建模組 AKI 的發生率為 11%；MCSPI 把 AKI 定義為術后肌酐>2.0 mg/dl 同時肌酐至少比術前基礎肌酐高 0.7 mg/dl，建模組 AKI 發生率為 4.8%；NNECDSG 把 AKI 定義為用術后 eGFR<30 ml/（min·1.73 m2），建模組 AKI 發生率為 3%；其余的 6 個預測模型 AKI 的發生率均>16%。這是由于在較新的 RIFLE、AKIN 和 KDIGO 診斷標準中，AKI 包含 RRT-AKI，相對于嚴重腎損傷的 RRT-AKI，較輕的腎損傷也被定義為 AKI。
在建模樣本量與研究方法方面，CICSS、Cleveland、Mehta、SRI、Pannu、NNECDSG 和 Jiang WHⅡ的建模樣本量均>6 000 例，建模樣本量越大，預測模型的預測效能往往越高。CICSS、MCSPI、NNECDSG、Chuang WN 和 CRATE 為多中心和前瞻性研究，其余的預測模型需要多中心前瞻性的進一步驗證研究。在對缺失數據的處理中，Mehta、SRI 和 Pannu 均采用估算的方法見表 3、表 4。
4 心臟術后不同 AKI 預測模型預測效能的比較
Englberger 等[34]對美國梅奧診所 CPB 心臟手術的 12 906 例患者臨床資料進行分析，評估 Cleveland、Mehta 和 SRI 對 RRT-AKI 和嚴重 AKI 的預測能力。嚴重 AKI 定義為肌酐>2.0 mg/dl、較術前肌酐水平升高 2 倍或需 RRT。Cleveland、Mehta 和 SRI 預測 RRT-AKI 的 AUROC 分別為 0.86［95%CI（0.84，0.88）］、0.81 ［95%CI（0.78，0.86）］、0.79［95%CI（0.77，0.82）］。Cleveland、Mehta 和 SRI 預測嚴重 AKI 的 AUROC 分別為 0.81［95%CI（0.79，0.83）］、0.76［95%CI（0.73，0.80）］、0.75［95%CI（0.72，0.77）］。Cleveland 預測心臟術后 RRT-AKI 和嚴重 AKI 的分辨度均最高。
Kristovic 等［35］對克羅地亞 1 056 例心臟手術患者臨床資料進行回顧性分析，評估 Cleveland、Mehta 和 SRI 對 RRT-AKI 和 AKI 的預測能力，對 AKI 的定義采用 KDIGO 診斷標準。Cleveland、Mehta 和 SRI 預測 RRT-AKI 的 AUROC 分別為 0.837［95%CI（0.810，0.862）］、0.776［95%CI（0.750，0.801）］和 0.706［95%CI（0.674，0.737）］。Cleveland 預測心臟術后 RRT-AKI 的分辨度最高。Cleveland 在輕度 AKI（KDIGO stageⅠ）、中度 AKI（KDIGO stageⅡ）和重度 AKI（KDIGO stageⅢ）的 AUROC 分別為 0.731［95%CI（0.699，0.761）］、0.811［95%CI（0.783，0.838）］和 0.842［95%CI（0.816，0.867）］；Mehta 分別為 0.716［95%CI（0.688，0.744）］、0.746［95%CI（0.718，0.772）］和 0.783［95%CI（0.756，0.807）］；SRI 分別為 0.657［95%CI（0.623，0.689）］、0.702［95%CI（0.699，0.733）］和 0.698［95%CI（0.665，0.729）］。Cleveland 在預測 RRT-AKI、KDIGO stageⅠ、KDIGO stageⅡ和 KDIGO stageⅢ中均表現出最高的分辨度。
姜物華[25]通過分析中國單中心 1 067 例心臟手術患者的臨床資料發現，Cleveland 預測 RRT-AKI 的分辨度和校準度較高（AUROC=0.736，P>0.05），但 Cleveland 對 RRT-AKI 發生率的預測值明顯低于實際值（1.69%vs.3.86%）。Metha 預測 RRT-AKI 的分辨度較低（AUROC=0.687，P>0.05），SRI 預測 RRT-AKI 的校準度較低（AUROC=0.830，P<0.05）。三個預測模型均不能很好地預測中國患者術后 RRT-AKI 的發生率。高卿等[36]分析 288 例 OPCABG 中國患者的臨床資料，評估 Cleveland 和 SRI 對心臟術后 AKI 的預測能力，對 AKI 的定義采用 AKIN 診斷標準。Cleveland 的 AUROC=0.560［95%CI（0.480，0.640）］，SRI 的 AUROC=0.564［95%CI（0.477，0.651）］，Cleveland 和 SRI 均不能很好地預測中國患者心臟術后 AKI。需要建立適合中國患者的心臟術后 AKI 預測模型。
由此可見，在歐美人群中比較 Cleveland、Mehta、SRI 對 RRT-AKI 和 AKI 預測能力時，Cleveland 均有良好的分辨度。但是在中國人群中，Cleveland、Mehta 和 SRI 對 RRT-AKI 和 AKI 的預測能力均欠佳，可能因為中國人群和歐美人群在生理上的差異，基于歐美人群的預測模型運用于中國人群時預測效果往往不理想。
5 總結
隨著中國心臟外科手術量的增多以及老年患者的增多，心臟術后 AKI 發生率會越來越高，AKI 作為一種常見的嚴重并發癥影響著手術效果和長期預后。建立適合本地區、本民族人群生理特點、方便臨床使用、預測效能好的 AKI 預測模型，有利于臨床醫生更好地作出臨床決策，采取及時有效的措施，提高治療效果，改善患者預后。
表1
14 種心臟術后 AKI 預測模型建模組和驗證組分辨度和校準度
表2
14 種心臟術后 AKI 預測模型納入的危險因素
表3
14 種心臟術后 AKI 預測模型基本情況
表4
14 種心臟術后 AKI 預測模型建模臨床資料（例/%/
）
急性腎損傷（acute kidney injury，AKI）是常見的心臟術后并發癥之一，死亡率高[1-4]。由于 AKI 定義的差異，AKI 的發生率約為 5%～42%，其中 1%～4% 的患者需行腎臟替代治療（renal replacement therapy，RRT）[5-10]。心臟術后 AKI 會延長住院時間并增加患者術后遠期的死亡風險[11-13]。即使術后輕微的 AKI（肌酐升高>3 mg/L）仍會增加患者術后 30 d 死亡率[11, 14-16]，術后需 RRT 治療的 AKI（renal replacement therapy-acute kidney injury，RRT-AKI）患者死亡率是未發生 AKI 患者的 9 倍[17]。AKI 發生 24～48 h 內及時治療可有效改善患者預后[18]。為精確預測心臟術后 AKI 的發生，國內外先后建立了多個預測模型，以便及時診斷和治療，從而更好地改善患者預后和配置醫療資源[18]。在風險、損傷、衰竭、腎功能喪失、終末期腎病工作組標準（risk，injury，failure，loss of kidney function and end-stage renal failure，RIFLE）、急性腎損傷網絡工作小組標準（Acute Kidney Injury Network，AKIN）和改善全球腎臟病預后工作組標準（Kindney Disease: Improving Global Outcomes，KDIGO）[19]中，RRT-AKI 定義為需行 RRT 的嚴重 AKI。本文介紹了目前國內外常用的 14 種心臟術后 RRT-AKI 和 AKI 預測模型。
1 心臟術后 RRT-AKI 預測模型
1.1 CICSS（continuous improvement in cardiac surgery study）預測模型
1997 年 Chertow 等[20]對 1987～1994 年 43 642 例單純冠狀動脈旁路移植術（coronary artery bypass grafting，CABG）和瓣膜手術的患者進行隊列研究，建立了 CICSS 預測模型。篩選其中 42?773 例患者為建模組，以 1994 年 4～10 月期間手術治療的3 795 例患者為驗證組。研究以 RRT-AKI 為研究終點，RRT-AKI 定義為腎功能惡化且術后 30 d 內需行 RRT。建模組 RRT-AKI 發生率為 1.1%。該預測模型的危險因素為：瓣膜手術、估計肌酐清除率≤100 ml/min、術前主動脈內球囊反搏（intra-aortic balloon pump，IABP）、既往心臟手術史、紐約心臟協會（New York Heart Association，NYHA）心功能Ⅳ級、外周血管疾病（peripheral vascular disease，PVD）、左室射血分數（left ventricular ejection fraction，LVEF）<35%、肺部啰音、慢性阻塞性肺病（chronic obstructive pulmonary disease，COPD）、140 mm Hg≤收縮壓≤159 mm Hg、收縮壓<120 mm Hg 合并瓣膜手術、收縮壓≥160 mm Hg 合并瓣膜手術、收縮壓≥160 mm Hg 合并 CABG。建模組的受試者工作特征曲線下面積（area under receiver operating characteristic curve，AUROC）為 0.76，分辨度良好。該預測模型為大樣本、多中心和前瞻性研究，10 個危險因素均為術前指標，方便臨床使用。
1.2 Cleveland 預測模型
2005 年 Thakar 等[21]對 33 217 例心臟手術患者進行隊列研究，建立心臟術后 RRT-AKI 預測模型，即 Cleveland 預測模型。預測模型納入 13 個術前危險因素：性別、充血性心力衰竭（congestive heart failure，CHF）、LVEF<35%、術前 IABP、COPD、胰島素依賴性糖尿病、既往心臟手術史、急診手術、瓣膜手術、CABG 合并瓣膜手術、其他心臟手術、術前肌酐 12～21 mg/L、術前肌酐≥21 mg/L。根據危險因素對應分值，對患者進行評分。Cleveland 預測模型評分范圍在 0～17 分，由于該研究沒有收錄評分>13 分的患者，故分為 4 組（0～2 分、3～5 分、6～8 分、9～13 分），各組術后急性腎功能衰竭（acute renal failure，ARF）的發生率為 0.5%～22.1%，RRT-ARF 為研究終點。建模組 AUROC=0.81［95%CI（0.78，0.83）］，驗證組 AUROC=0.82［95%CI（0.80，0.85）］，提示分辨度良好。Cleveland 預測模型納入的 13 個危險因素均為術前指標，臨床使用便捷，該預測模型建模樣本量大，增強了預測能力，但該預測模型缺乏多中心和前瞻性的驗證研究。
1.3 Mehta 預測模型
2006 年 Mehta 等[22]對多中心 449 524 例心臟手術患者臨床資料進行分析，建立了包括糖尿病、心源性休克、NYHA 心功能分級等 22 個危險因素的預測模型，最終簡化為包含術前最后一次肌酐、年齡≥55 歲、心臟手術類型（瓣膜手術，CABG 聯合瓣膜手術）、糖尿病、21 d 內心肌梗死、種族、COPD、糖尿病、既往心臟手術史、心源性休克、NYHA 心功能分級Ⅳ級等 10 個危險因素的 Mehta 預測模型。該研究以 RRT-AKI 為研究終點，采用 MDRD（modification of diet in renal disease）公式計算腎小球濾過率估值（estimated glomerular filtration rate，eGFR）。預測模型建模組 AUROC=0.83，分辨度良好。在數據處理中，患者缺失的 LVEF 賦值為 50%，缺失的其他類型數據賦值為人群正常值，影響了術后 AKI 預測的準確性。此外，過多的危險因素限制了該預測模型的臨床應用效果[23]。
1.4 SRI（simplified renal index）預測模型
2007 年 Wijeysundera 等[24]對雙中心 20 131 例心臟手術患者臨床資料進行回顧性分析，建立了 SRI 預測模型。該研究以多倫多總醫院 1999～2004 年的 10 751 例心臟手術患者為建模組，多倫多總醫院 2004～2005 年 2 566 例患者和渥太華心臟中心 1999～2003 年 6 814 例患者為驗證組。以 RRT-AKI 為研究終點，確定了 31 ml/（min·1.73 m2）≤術前 eGFR≤60 ml/（min·1.73 m2）、術前 eGFR≤30 ml/（min·1.73 m2）、糖尿病、LVEF<40%、既往心臟手術史、非 CABG 或房間隔缺損修補術、術前 IABP 和非擇期手術 8 個術前獨立危險因素，賦值 0～8 分。建模組、多倫多驗證組和渥太華驗證組的術后 RRT-AKI 發生率分別為 1.3%、1.8% 和 2.2%，AUROC 分別為 0.81［95%CI（0.78，0.84）］、0.78［95%CI（0.72，0.84）］和 0.78［95%CI（0.74，0.81）］。該預測模型參數較少且容易獲得，方便臨床使用，但采用精確度不夠高的 Cockcroft-Gault 公式計算 eGFR[25]，研究終點 RRT 的指征缺乏統一標準，影響了預測模型的預測效能。
1.5 Pannu 預測模型
2016 年 Pannu 等[26]分析 10 787 例心臟手術患者的臨床資料，建立并驗證了預測術后 14 d 內 RRT-AKI 風險的 Pannu 預測模型。該模型納入 8 個危險因素：CHF、加拿大心血管協會分級（Canadian Cardiovascular Society，CCS）Ⅲ或Ⅳ級、糖尿病、基礎 eGFR<90 ml/（min·1.73 m2）（CKD-ERI 計算術前 3 個月內最近一次 eGFR）、術前貧血和蛋白尿。建模組（n=6 061）和驗證組（n=4 467）中 RRT-AKI 發生率分別為 2.5% 和 3.1%。該研究以術后 RRT-AKI 作為終點事件，采用 Hosmer-Lemeshow 擬合優度檢驗和標定斜率（calibration slope，理想值為 1）評價預測模型的校準度，建模組 AUROC=0.87［95%CI（0.85，0.90）］，P=0.7，標定斜率=0.96，提示分辨度和校準度良好。根據預測模型評分高低對患者進行分組，采用再分類優化指數（net reclassification improvement index，NRI）評估 Pannu 預測模型對患者術后 AKI 風險分組的效果。該預測模型所需數據均來自術前臨床和實驗室數據，方便臨床使用。由于蛋白尿檢測不是心臟術前常規檢查，25% 的病例沒有尿蛋白數據，影響了該預測模型的預測效能。另外，Pannu 預測模型建模組和驗證組中的病例樣本來自加拿大阿爾伯塔，在其他國家和地區是否有良好的預測能力，仍需多中心、大樣本進一步的驗證。
2 心臟術后無需 RRT 的 AKI 預測模型
2.1 MCSPI（multicenter study of perioperative ischemia）預測模型
2007 年 Aronson 等[27]對 16 個國家的 70 個研究中心 4 801 例體外循環（cardiopulmonary bypass，CPB）的 CABG 患者進行前瞻性研究，其中 2 381 例為建模組，2 420 例為驗證組，建立了預測腎臟復合事件的 MCSPI 預測模型。腎臟復合事件包括腎功能不全或腎衰竭，腎功能不全定義為術后肌酐>20 mg/L 同時肌酐至少比術前基礎肌酐高 7 mg/L。腎衰竭定義為需要 RRT 的腎功能不全或尸檢結果為腎衰竭。建模組中腎臟復合事件的發生率為 4.8%。該模型的獨立危險因素為：年齡>75 歲、術前脈壓>40 mm Hg、CHF、術前心肌梗死、術前腎病史、術中使用正性肌力藥物和 CPB 時間>122 min。建模組的 AUROC=0.84，驗證組的 AUROC=0.8，分辨度良好。該模型優點在于建模樣本來自多個中心和地區，但該模型缺乏多中心大樣本的進一步驗證。
2.2 NNECDSG（Northern New England cardiovascular disease study group，NNECDSG）預測模型
2007 年 Brown 等[28]對新英格蘭北部 8 個醫學中心的 8 363 例 CABG 患者資料進行多因素回歸分析，建立了 NNECDSG 預測模型。該模型以重度腎功能不全為研究終點，采用 MDRD 公式計算 eGFR。重度腎功能不全定義為術后 eGFR<30 ml/（min·1.73 m2）。建模組重度腎功能不全的發生率為 3%。模型納入的 11 個術前危險因素分別為：年齡≥60 歲、女性、糖尿病、白細胞數>12 000/mm3、既往 CABG 史、CHF、PVD 和術前 IABP。建模組的 AUROC=0.72［95%CI（0.68，0.75）］，Hosmer-Lemeshow 擬合優度檢驗的 P 值為 0.28。該研究為多中心研究，樣本量較大，11 個危險因素均為術前指標，方便臨床使用。NNECDSG 預測模型沒有建立驗證組，模型的預測效能仍需進一步驗證。
2.3 AKICS（acute kidney injury following cardiac surgery）預測模型
2007 年 Palomba 等[18]通過對單中心 603 例心臟手術患者隊列研究建立了 AKICS 預測模型。建模樣本包括 CABG、瓣膜手術和 CABG 聯合瓣膜手術的患者，術后 AKI 定義為血肌酐> 20 mg/L 或超過基礎肌酐值的 50%。血肌酐基礎值定義為住院前最后一次肌酐值或入院時第一次肌酐值。預測模型納入 8 個圍術期的危險因素，即手術方式、NYHA心功能分級>Ⅱ級、術前肌酐>12 mg/L、低心排血量綜合征（low cardiac output syndrome，LCOS）、年齡>65 歲、CPB 時間>120 min、術前血糖>1 400 mg/L 和中心靜脈壓（central venous pressure，CVP）>14 cm H2O。對參數賦值，評分在 0～20 之間。評分在 0～4、4.1～8、8.1～12、12.1～16、16.1～20 的患者，術后 AKI 的發生率分別為 1.5%、4.3%、9.1%、21.8%和62.5%。該預測模型對患者 AKI 風險分層效果良好，建模組的 AUROC=0.843［95%CI（0.78，0.89）］，提示分辨度良好。該預測模型的建模樣本僅 603 例，AKI 定義也不是目前普遍使用的 RIFLE、AKIN 和 KDIGO 標準，所以仍需多個中心、大樣本數據的進一步驗證[25]。另外 AKICS 預測模型納入了術中、術后的危險因素，限制了術前的臨床應用。
2.4 SAKI（Singapore acute kidney injury）預測模型
2016 年 Mithiran 等[29]回顧性分析新加坡單中心 954 例 CABG 患者的臨床資料，建立了針對亞洲人的心臟術后 AKI 預測模型，即 SAKI 預測模型。樣本的 80% 為建模組，20% 為驗證組。AKI 診斷采用 AKIN 標準，建模組 AKI 發生率為 29.34%。SAKI 預測模型納入的圍術期危險因素有：年齡>60 歲、胰島素依賴性糖尿病、eGFR<60 ml/（min·1.73 m2）、LVEF<40%、CPB 時間>140 min 和升主動脈阻斷時間>100 min。根據患者分值進行分組，AKI 發生率在 17%～73%，與實際 AKI 發生率 22%～74% 相近。建模組的 AUROC=0.734［95%CI（0.690，0.767）］，驗證組的 AUROC=0.740［95%CI（0.675，0.805）］。SAKI 模型基于亞洲人群建立，優勢在于采用了較新的 AKIN 標準，含有的 6 個危險因素臨床上易獲得，使用方便。SAKI 預測模型是一個單中心回顧性研究，建模樣本量較小，使用 AKIN 標準診斷 AKI 時，忽略了尿量這一變量。另外建模樣本均為 CABG 患者，對其他心臟手術患者是否適用還需多中心、大樣本量和前瞻性的進一步驗證。
2.5 Chuang WN 預測模型
2016 年 Nah 等[30]對新加坡國立大學醫院和新加坡總醫院 2 508 例心臟手術患者臨床資料進行分析，其中符合納入標準的 2 385 例作為建模組，另篩選 500 例患者資料作為驗證組，建立了 Chuang WN 預測模型。研究納入 CABG、瓣膜手術和 CABG 聯合瓣膜手術的患者。采用 AKIN 標準定義 AKI，建模組術后 AKI 發生率為 30.5%。該模型的危險因素有：年齡>65 歲、高血壓、術前貧血、eGFR<60 ml/（min·1.73 m2）、術中輸注紅細胞、術中 IABP、CPB 時間>120 min 和 CPB 期間最低血細胞比容<22%。采用 CKD-EPI 公式計算 eGFR。預測模型評分為 0～14 分，并根據評分值（0～4，5～8，9～14）分為 3 組，AKI 發生率分別為 18%、39% 和 64%。建模組 AUROC =0.7［95%CI（0.68，0.72）］，驗證組 AUROC=0.75［95%CI（0.7，0.8）］，分辨度良好。該研究優勢在于納入了術前貧血、術中輸血等較新的危險因素。但在使用 AKIN 診斷標準時，該研究同樣省略了尿量這一變量。
2.6 CRATE（creatinine score+lactic Acid score+CPB timescore+EuroSCORE score）預測模型
2016 年 Jorge-Monjas 等[31]對西班牙 909 例心臟手術患者進行前瞻性動態隊列研究，納入符合標準的 810 例患者為建模組，另外兩家醫院 741 例心臟手術患者為驗證組，建立 CRATE 預測模型。預測模型收錄 CABG 以及瓣膜手術的患者。建模組 AKI 發生率為 16.9%，驗證組 AKI 發生率為 15.7%。對 AKI 診斷采取 RIFLE 標準。模型納入的危險因素為：肌酐、歐洲心臟手術風險評估系統評分（European system for cardiac operative risk evaluation，EuroSCORE）、乳酸和 CPB 時間。根據評分，患者術后 AKI 風險分為很低、低、中、高、很高 5 組，5 組實際 AKI 發生率分別為 1.69%、8.84%、32.33%、58.66%、84.95%。建模組 AUROC=0.89［95%CI（0.85，0.92）］，驗證組 AUROC=0.81［95%CI（0.78，0.85）］，模型分辨度較高。使用 RIFLE 標準時，該研究省略了尿量這一變量。臨床易獲得的肌酐、乳酸水平、CPB 時間和 EuroSCORE，使 CRATE 預測模型應用方便快捷，在患者剛進入 ICU 時（1～2 h）就可以評估其 AKI 發生風險，利于臨床醫生對患者術后 AKI 進行早期干預。對于 EuroSCOREⅡ在 CRATE 評分中的應用還需要進一步研究修正。
2.7 Won HK 預測模型
主動脈手術后 AKI 發生率為 18%～55%，比其他心臟手術后 AKI 發生率更高[5-10, 32]。目前心臟術后 AKI 預測模型的建模樣本中，沒有或很少有主動脈手術病例[18, 20-22, 24-33]。2013 年 Kim 等[32]對韓國三星醫學中心 737 例主動脈手術患者臨床資料進行回顧性研究，建立了針對主動脈手術后 AKI 的預測模型，即 Won HK 預測模型。隨機選取 417 例患者為建模組，余 320 例為驗證組。采用 RIFLE 標準診斷 AKI，全組樣本中 29% 術后發生 AKI，5.8% 術后需要 RRT。使用 MDRD 公式計算 eGFR。預測模型納入的獨立危險因素包括：年齡>60 歲、術前 eGFR< 60 ml/（min·1.73 m2）、LVEF<55%、手術時間>7 h、術中尿量<0.5 ml/（kg·h）和術中使用呋塞米，每個危險因素賦值 1 分。建模組 AUROC=0.74［95%CI（0.69，0.79）］，驗證組 AUROC=0.74［95%CI（0.69，0.8）］。該預測模型只有 6 個危險因素，方便臨床使用，但樣本量較小（n=737），且該研究為單中心研究，需要在多中心對預測模型進行進一步驗證。由于該樣本數據跨越時間較長（1997～2010 年），期間主動脈手術治療方案和技術變化很大，該模型的預測效能受到了影響。
2.8 Jiang WHⅠ預測模型
2013 年姜物華[25]對復旦大學附屬中山醫院1 394 例心臟手術患者的臨床資料進行分析，排除不符合納入標準的 27 例，以其中 1 067 例患者為建模組，余 300 例為驗證組，建立了 Jiang WHⅠ預測模型。全組樣本中 CABG 占 8.8%，非體外循環冠狀動脈旁路移植術（off-pump coronary artery bypass grafting，OPCABG）占 25.8%，瓣膜手術占 58.2%，CABG 聯合瓣膜手術占 4.9%。研究采用 KDIGO 作為 AKI 臨床診斷標準，采用 MDRD 簡化公式計算 eGFR。建模組中 20.08% 患者術后發生 AKI。Logistic 逐步回歸分析提示：性別、CABG 聯合瓣膜手術、腦血管病史、術前使用造影劑、術前 NYHA 心功能分級>Ⅱ級、術前血肌酐>13 mg/L、術中輸血漿量>400 ml、術后 LCOS 和術后 CVP>14 mm H2O是心臟術后 AKI 的獨立危險因素。建模組 AUROC=0.81［95%CI（0.757，0.868）］，Hosmer-lemeshow 擬合優度檢驗 χ2=10.13，P=0.256，提示該模型分辨度和校準度良好。與國外 AKI 預測模型相比，Jiang WHⅠ預測模型納入的 AKI 危險因素增加了術前使用造影劑、腦血管病史、術中輸血漿量等參數，但該預測模型僅為單中心研究，樣本量較少，需多中心、大樣本的進一步驗證。
2.9 Jiang WHⅡ預測模型
2016 年 Jiang 等[33]對 7 233 例心臟手術患者臨床資料進行前瞻性分析，以 6 081 例患者為建模組，余 1 152 例患者為驗證組，建立 Jiang WHⅡ預測模型。預測模型收錄了 CABG、OPCABG、瓣膜手術和 CABG 聯合瓣膜手術的患者，確定性別、年齡>41 歲、CABG 聯合瓣膜手術、術前 NYHA 心功能分級>Ⅱ級、既往心臟手術史、術前腎病史（未 RRT），應用 CPB、術中紅細胞輸注和術后 LCOS 等 9 個危險因素。該預測模型細化了 AKI 的發生時間，可評估術前 AKI，預測 ICU 期間和轉出 ICU 24 h之后的 AKI 發生率。建模組評估 3 個時間點 AKI 的 AUROC 分別為 0.75，0.81 和 0.82；驗證組分別為 0.74，0.75 和 0.82。采用 KDIGO 標準作為 AKI 診斷標準，使用 CKD-ERI 公式計算 eGFR。建模組 AKI 發生率是 35.5%，驗證組 AKI 發生率是 33%。預測模型樣本量較大，納入術中紅細胞輸注量和術后 LCOS 等較新危險因素，但樣本來自單個醫學中心，需多個中心的進一步驗證。
3 心臟術后 AKI 預測模型的特點
本文介紹的 14 種心臟術后 AKI 預測模型建模組及驗證組的分辨度和校準度見表 1。
心臟術后 AKI 預測模型納入的危險因素分析：年齡、CHF、高血壓、LVEF、糖尿病、瓣膜手術、CABG 聯合瓣膜手術、急診手術、術前肌酐、術前 eGFR、NYHA 心功能分級>Ⅱ級、既往心臟手術史、CPB 時間和術后 LCOS 等危險因素被納入多個預測模型（>3 個）。特別的危險因素有：① 術前蛋白尿；② 術前貧血；③ 術中紅細胞輸注；④EuroSCORE 評分；⑤ 術中使用呋塞米；⑥ 腦血管病史；⑦ 術前使用造影劑；見表 2。
建模數據庫手術類型分為：CABG（MCSPI、NNECDSG、SAKI）；主動脈手術（Won HK）；其余 10 個預測模型包含了多種常見心臟手術。
建模數據庫人群分為：歐洲、北美人群（CICSS、Cleveland、Mehta、SRI、Pannu、MCSPI、NNECDSG 和 CRATE）；亞洲人群（SAKI、Chuang WN、Won HK、Jiang WHⅠ和 Jiang WHⅡ）；南美人群（AKICS）。
AKI 診斷標準方面，Cleveland、Mehta、SRI、MCSPI、NNECDSG 和 AKICS 的建模時間在 2007 年以前，沒有采用較新的 RIFLE、AKIN 和 KDIGO 等 AKI 診斷標準；CICSS、Pannu 的研究終點為 RRT-AKI，故也沒有采用；而其余 6 個預測模型的建模時間均在 2013 年以后，均采用了較新的 AKI 診斷標準。
CICSS、Cleveland、Mehta、SRI 和 Pannu 的研究終點為 RRT-AKI，建模組 RRT-AKI 的發生率均<3%；AKICS 把心臟術后 AKI 定義為血肌酐>2.0 mg/dl 或超過肌酐基礎值的 50%，建模組 AKI 的發生率為 11%；MCSPI 把 AKI 定義為術后肌酐>2.0 mg/dl 同時肌酐至少比術前基礎肌酐高 0.7 mg/dl，建模組 AKI 發生率為 4.8%；NNECDSG 把 AKI 定義為用術后 eGFR<30 ml/（min·1.73 m2），建模組 AKI 發生率為 3%；其余的 6 個預測模型 AKI 的發生率均>16%。這是由于在較新的 RIFLE、AKIN 和 KDIGO 診斷標準中，AKI 包含 RRT-AKI，相對于嚴重腎損傷的 RRT-AKI，較輕的腎損傷也被定義為 AKI。
在建模樣本量與研究方法方面，CICSS、Cleveland、Mehta、SRI、Pannu、NNECDSG 和 Jiang WHⅡ的建模樣本量均>6 000 例，建模樣本量越大，預測模型的預測效能往往越高。CICSS、MCSPI、NNECDSG、Chuang WN 和 CRATE 為多中心和前瞻性研究，其余的預測模型需要多中心前瞻性的進一步驗證研究。在對缺失數據的處理中，Mehta、SRI 和 Pannu 均采用估算的方法見表 3、表 4。
4 心臟術后不同 AKI 預測模型預測效能的比較
Englberger 等[34]對美國梅奧診所 CPB 心臟手術的 12 906 例患者臨床資料進行分析，評估 Cleveland、Mehta 和 SRI 對 RRT-AKI 和嚴重 AKI 的預測能力。嚴重 AKI 定義為肌酐>2.0 mg/dl、較術前肌酐水平升高 2 倍或需 RRT。Cleveland、Mehta 和 SRI 預測 RRT-AKI 的 AUROC 分別為 0.86［95%CI（0.84，0.88）］、0.81 ［95%CI（0.78，0.86）］、0.79［95%CI（0.77，0.82）］。Cleveland、Mehta 和 SRI 預測嚴重 AKI 的 AUROC 分別為 0.81［95%CI（0.79，0.83）］、0.76［95%CI（0.73，0.80）］、0.75［95%CI（0.72，0.77）］。Cleveland 預測心臟術后 RRT-AKI 和嚴重 AKI 的分辨度均最高。
Kristovic 等［35］對克羅地亞 1 056 例心臟手術患者臨床資料進行回顧性分析，評估 Cleveland、Mehta 和 SRI 對 RRT-AKI 和 AKI 的預測能力，對 AKI 的定義采用 KDIGO 診斷標準。Cleveland、Mehta 和 SRI 預測 RRT-AKI 的 AUROC 分別為 0.837［95%CI（0.810，0.862）］、0.776［95%CI（0.750，0.801）］和 0.706［95%CI（0.674，0.737）］。Cleveland 預測心臟術后 RRT-AKI 的分辨度最高。Cleveland 在輕度 AKI（KDIGO stageⅠ）、中度 AKI（KDIGO stageⅡ）和重度 AKI（KDIGO stageⅢ）的 AUROC 分別為 0.731［95%CI（0.699，0.761）］、0.811［95%CI（0.783，0.838）］和 0.842［95%CI（0.816，0.867）］；Mehta 分別為 0.716［95%CI（0.688，0.744）］、0.746［95%CI（0.718，0.772）］和 0.783［95%CI（0.756，0.807）］；SRI 分別為 0.657［95%CI（0.623，0.689）］、0.702［95%CI（0.699，0.733）］和 0.698［95%CI（0.665，0.729）］。Cleveland 在預測 RRT-AKI、KDIGO stageⅠ、KDIGO stageⅡ和 KDIGO stageⅢ中均表現出最高的分辨度。
姜物華[25]通過分析中國單中心 1 067 例心臟手術患者的臨床資料發現，Cleveland 預測 RRT-AKI 的分辨度和校準度較高（AUROC=0.736，P>0.05），但 Cleveland 對 RRT-AKI 發生率的預測值明顯低于實際值（1.69%vs.3.86%）。Metha 預測 RRT-AKI 的分辨度較低（AUROC=0.687，P>0.05），SRI 預測 RRT-AKI 的校準度較低（AUROC=0.830，P<0.05）。三個預測模型均不能很好地預測中國患者術后 RRT-AKI 的發生率。高卿等[36]分析 288 例 OPCABG 中國患者的臨床資料，評估 Cleveland 和 SRI 對心臟術后 AKI 的預測能力，對 AKI 的定義采用 AKIN 診斷標準。Cleveland 的 AUROC=0.560［95%CI（0.480，0.640）］，SRI 的 AUROC=0.564［95%CI（0.477，0.651）］，Cleveland 和 SRI 均不能很好地預測中國患者心臟術后 AKI。需要建立適合中國患者的心臟術后 AKI 預測模型。
由此可見，在歐美人群中比較 Cleveland、Mehta、SRI 對 RRT-AKI 和 AKI 預測能力時，Cleveland 均有良好的分辨度。但是在中國人群中，Cleveland、Mehta 和 SRI 對 RRT-AKI 和 AKI 的預測能力均欠佳，可能因為中國人群和歐美人群在生理上的差異，基于歐美人群的預測模型運用于中國人群時預測效果往往不理想。
5 總結
隨著中國心臟外科手術量的增多以及老年患者的增多，心臟術后 AKI 發生率會越來越高，AKI 作為一種常見的嚴重并發癥影響著手術效果和長期預后。建立適合本地區、本民族人群生理特點、方便臨床使用、預測效能好的 AKI 預測模型，有利于臨床醫生更好地作出臨床決策，采取及時有效的措施，提高治療效果，改善患者預后。
表1
14 種心臟術后 AKI 預測模型建模組和驗證組分辨度和校準度
表2
14 種心臟術后 AKI 預測模型納入的危險因素
表3
14 種心臟術后 AKI 預測模型基本情況
表4
14 種心臟術后 AKI 預測模型建模臨床資料（例/%/
）
