一种重症脓毒症患者一过性和持续性aki的预测模型及其构建方法
阅读说明：本技术 一种重症脓毒症患者一过性和持续性aki的预测模型及其构建方法 (Prediction model of transient and persistent AKI of severe sepsis patient and construction method thereof ) 是由 段绍斌 罗晓琴 晏萍 邓颖豪 刘茜 康怡昕 张宁雅 王梅 伍婷 吴皙 王鸿燊 于 2021-07-21 设计创作，主要内容包括：本发明提供了一种重症脓毒症患者一过性和持续性AKI的预测模型及其构建方法,所述预测模型包括连续性变量和分类变量；所述预测模型还包括预测概率表达式P的截断值为0.6316,用于界定一过性和持续性AKI的风险。所述构建方法包括步骤S1收集临床数据、步骤S2选择排名前20位的特征用于进一步特征筛选、步骤S3筛选14位变量、步骤S4使用logistic回归构建重症脓毒症患者一过性和持续性AKI的预测模型以及步骤S5构建的预测模型。本发明为临床医师提供了一个简单、实用的一过性和持续性AKI风险预测工具。(The invention provides a predictive model of transient and persistent AKI of a patient with severe sepsis and a construction method thereof, wherein the predictive model comprises a continuous variable and a classification variable; the prediction model further comprises a prediction probability expression)
技术领域
本发明涉及肾脏病和重症护理技术领域，具体涉及一种重症脓毒症患者一过性和持续性AKI的预测模型及其构建方法。
背景技术
急性肾损伤(简称AKI)是重症脓毒症患者常见和严重的并发症之一。研究显示，约60％的重症脓毒症患者合并AKI。然而，AKI的发生与患者短期和长期不良结局风险增加有关，如死亡、心血管并发症和慢性肾功能不全等。由于AKI持续时间长短和AKI肾功能恢复情况均会影响AKI患者的预后，第16届急性疾病质量倡议会议建议，根据AKI发生后持续是否超过48小时，将AKI分为一过性AKI和持续性AKI。相比于一过性AKI脓毒症患者，持续性AKI脓毒症患者对应着更强的炎症和促凝反应、更严重的血管完整性丧失以及更高的死亡率和长期不良预后的发生风险。早期预测持续性AKI的发生有助于临床医师对患者进行危险分层，从而选择个体化的治疗策略，如制定合理的液体管理方案以防止有害的液体超载发生，评估肾脏替代治疗的需求和决定最佳的启动时机，动态监测患者的容量状态、肾功能和AKI相关并发症的发生情况。早期研究尝试使用钠排泄分数、尿素排泄分数和尿液尿素肌酐比等实验室指标，以及肾脏多普勒超声等影像学方法早期区分一过性和持续性AKI患者，但区分效果较差。近期有研究评估了肾功能和肾损伤相关的生物标志物在早期预测持续性AKI中的作用，结果显示大多数标志物预测效能较低，少数仍需进一步大规模的临床研究验证。目前尚无可靠的方法早期区分一过性AKI和持续性AKI脓毒症患者。
综上所述，急需一种重症脓毒症患者一过性和持续性AKI的预测模型及其构建方法以解决现有技术中存在的问题。
发明内容
本发明第一目的在于提供一种重症脓毒症患者一过性和持续性AKI的预测模型，具体技术方案如下：
一种重症脓毒症患者一过性和持续性AKI的预测模型，所述预测模型包括以下连续性变量：
年龄Age，单位为岁；动脉血氧分压PaO2，单位为毫米汞柱；动脉血二氧化碳分压PaCO2，单位为毫米汞柱；阴离子间隙Anion gap，单位为毫摩尔每升；乳酸Lactate，单位为毫摩尔每升；国际标准化比值INR，无单位；部分凝血活酶时间Ptt，单位为秒；
所述预测模型包括以下分类变量：
糖尿病Diabetes mellitus、充血性心衰Congestive heart failure、慢性肾脏病Chronic kidney disease、需要机械通气Mechanical ventilation和启动肾脏替代治疗RRT induction，此五类变量根据患者实际情况选择有或无，当选择有时，其对应数值为1，当选择无时，其对应数值为0；
所述预测模型还包括以下分类变量：
AKI尿量分期UO stage和AKI肌酐分期SCr stage，此两类变量根据患者实际情况选择0期、1期、2期或3期，当选择任意一期时，该期对应数值为1，其它期对应数值为0；
所述预测模型包括预测概率表达式(1)，所述预测概率表达式(1)具体为：
其中，A＝0.006161×Age-0.002077×PaO2+0.009274×PaCO2+0.026074×Aniongap+0.020870×Lactate+0.068955×INR+0.002655×Ptt+0.259688×Diabetes mellitus+0.320812×Congestive heart failure+0.147493×Chronic kidney disease+0.270744×Mechanical ventilation+1.361824×RRT induction+0×UO Stage 0+0.494265×UOStage 1+1.279487×UO Stage 2+2.169034×UO Stage 3+0×SCr Stage 0+0.856714×SCr Stage 1+2.333892×SCr Stage 2+2.585134×SCr Stage 3-2.877650；P表示概率分值，P的截断值为0.6316，当患者概率分值低于截断值时，为低风险患者，患者病情为一过性AKI且于AKI发生48小时内恢复；当患者概率分值高于截断值时，为高风险患者，患者病情于AKI发生48小时后进展为持续性AKI。
本发明第二目的在于提供一种重症脓毒症患者一过性和持续性AKI的预测模型的构建方法，具体技术方案如下：
一种重症脓毒症患者一过性和持续性AKI的预测模型的构建方法，包括以下步骤：
步骤S1、收集重症监护数据库中进入重症监护室后48小时内发生AKI的脓毒症患者的临床数据；
步骤S2、使用极端梯度提升Xgboost算法对临床数据处理后得到用于区分一过性和持续性AKI的特征变量重要性排序，选择排名前20位的特征用于进一步特征筛选；
步骤S3、使用最小绝对收缩和选择算子LASSO算法对步骤S2中得到的20位特征进行进一步筛选，得到14位变量，分别为年龄Age、动脉血氧分压PaO2、动脉血二氧化碳分压PaCO2、阴离子间隙Anion gap、乳酸Lactate、国际标准化比值INR、部分凝血活酶时间Ptt、糖尿病Diabetes mellitus、充血性心衰Congestive heart failure、慢性肾脏病Chronickidney disease、需要机械通气Mechanical ventilation、启动肾脏替代治疗RRTinduction、AKI尿量分期UO stage和AKI肌酐分期SCr stage；
步骤S4、选择步骤S3中得到的14位变量，使用logistic回归构建重症脓毒症患者一过性和持续性AKI的预测模型；
步骤S5、根据步骤S4中构建的预测模型，使用R软件将所述预测模型转化成预测概率表达式(1)，根据预测概率表达式(1)计算出重症脓毒症患者进展为一过性和持续性AKI的风险。
优选的，在步骤S1中，所述临床数据包括人口学特征、合并症、生命体征、实验室检查、治疗和AKI分期。
优选的，在步骤S2中还包括使用5折交叉验证对极端梯度提升Xgboost算法的超参数选择，最终得到的超参数如下：学习速率learning_rate为0.01，树的棵数n_estimators为650，树最大深度max_depth为3，子节点最小权重min_child_weight为3，采样率subsample为0.6，每棵树的特征采样率colsample_bytree为0.7，最小损失分裂gamma为1。
优选的，在步骤S2中排名前20位的特征分别为AKI尿量分期UO stage 1期、AKI尿量分期UO stage 2期、AKI尿量分期UO stage 3期、AKI肌酐分期SCr stage 1期、AKI肌酐分期SCr stage 2期、AKI肌酐分期SCr stage 3期、充血性心衰Congestive heart failure、阴离子间隙Anion gap、动脉血氧分压PaO2、启动肾脏替代治疗RRT induction、糖尿病Diabetes mellitus、乳酸Lactate、慢性肾脏病Chronic kidney disease、ICU类型、国际标准化比值INR、动脉血二氧化碳分压PaCO2、动脉血pH、需要机械通气Mechanicalventilation、部分凝血活酶时间Ptt和年龄Age。在处理多分类变量AKI尿量分期和AKI肌酐分期时需要设置哑变量，选择其中一个分类作为哑变量参照。本发明选择AKI尿量分期UOstage 0期为参照，而AKI尿量分期UO stage 1期、AKI尿量分期UO stage 2期和AKI尿量分期UO stage 3期三个分类均为1个特征。故AKI尿量分期1个变量对应3个特征。同理，本发明选择AKI肌酐分期SCr stage 0期为参照，而AKI肌酐分期SCr stage 1期、AKI肌酐分期SCrstage 2期和AKI肌酐分期SCr stage 3期三个分类均为1个特征。故AKI肌酐分期1个变量对应3个特征。
优选的，在步骤S3中还包括使用交叉验证对最小绝对收缩和选择算子LASSO算法进行处理，选择交叉验证确定参数λ以得到14位变量，其中λ的值为0.009601。
应用本发明的技术方案，具有以下有益效果：
本发明构建的预测模型所纳入的临床数据指标均为临床上常规收集和记录的指标，具有易获得、价格低廉和使用便捷等优势。在预测模型的构建方法中，使用先进的机器学习算法(如极端梯度提升Xgboost算法和最小绝对收缩和选择算子LASSO算法)和logistic回归相结合的方法，使用机器学习算法无偏倚地识别与AKI持续性相关的重要变量，使用logistic回归整合各项变量，得到各变量对于AKI持续性的具体影响系数，从而使预测模型具有较强的可解释性和预测效能。本发明为临床医师提供了一个简单、实用的一过性和持续性AKI风险预测工具，有利于对重症脓毒症AKI患者进行危险分层，早期识别可能进展为持续性AKI的高危患者，进一步制定个体化的治疗策略和管理方案，从而改善患者的临床预后，提高医疗质量和医疗安全。
具体实施方式
下面将结合本发明实施例对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
根据现有医疗技术及脓毒症AKI的诊断标准筛选得到5984例脓毒症AKI患者，其中，一过性AKI患者3805例，持续性AKI患者2179例。所述脓毒症AKI的诊断标准如下：
1)脓毒症的诊断根据脓毒症第3版定义，即可疑感染(在使用抗生素的同时进行体液培养)合并器官功能障碍(SOFA评分≥2分)；
2)AKI的诊断根据2012年改善全球肾脏病预后组织指南，即血清肌酐较基线值增加≥0.3mg/dL或上升至≥1.5倍基线值，或尿量<0.5mL/kg/hr持续超过6小时；
3)一过性AKI和持续性AKI的诊断根据第16届急性疾病质量倡议会议共识，一过性AKI定义为AKI发生后48小时内完全逆转，并维持至少48小时；持续性AKI定义为AKI持续超过48小时，或AKI发生后48小时内逆转，但在接下来48小时内复发。因此，根据患者病情AKI诊断后48-96小时内不满足2)中所述AKI的诊断标准，可确定患者病情为一过性AKI；根据患者病情AKI诊断后48-96小时内满足2)中所述AKI的诊断标准，可确定患者病情为持续性AKI。
将5984例脓毒症AKI患者随机分为训练集和测试集，使用训练集患者的临床数据构建预测模型，测试集患者的临床数据进行预测模型验证，验证所述预测模型的预测效能。所述训练集中患者的数量为4188例，所述测试集中患者的数量为1796例。
实施例1中所述预测模型及其构建方法具体如下：
一种重症脓毒症患者一过性和持续性AKI的预测模型，所述预测模型包括以下连续性变量：
年龄Age，单位为岁；动脉血氧分压PaO2，单位为毫米汞柱；动脉血二氧化碳分压PaCO2，单位为毫米汞柱；阴离子间隙Anion gap，单位为毫摩尔每升；乳酸Lactate，单位为毫摩尔每升；国际标准化比值INR，无单位；部分凝血活酶时间Ptt，单位为秒；
所述预测模型包括以下分类变量：
糖尿病Diabetes mellitus、充血性心衰Congestive heart failure、慢性肾脏病Chronic kidney disease、需要机械通气Mechanical ventilation和启动肾脏替代治疗RRT induction，此五类变量根据患者实际情况选择有或无，当选择有时，其对应数值为1，当选择无时，其对应数值为0；
所述预测模型还包括以下分类变量：
AKI尿量分期UO stage和AKI肌酐分期SCr stage，此两类变量根据患者实际情况选择0期、1期、2期或3期，当选择任意一期时，该期对应数值为1，其它期对应数值为0；
所述预测模型包括预测概率表达式(1)，所述预测概率表达式(1)具体为：
其中，A＝0.006161×Age-0.002077×PaO2+0.009274×PaCO2+0.026074×Aniongap+0.020870×Lactate+0.068955×INR+0.002655×Ptt+0.259688×Diabetes mellitus+0.320812×Congestive heart failure+0.147493×Chronic kidney disease+0.270744×Mechanical ventilation+1.361824×RRT induction+0×UO Stage 0+0.494265×UOStage 1+1.279487×UO Stage 2+2.169034×UO Stage 3+0×SCr Stage 0+0.856714×SCr Stage 1+2.333892×SCr Stage 2+2.585134×SCr Stage 3-2.877650；P表示概率分值，P的截断值为0.6316，该截断值的选取是首先根据训练集中一系列不同的截断值，以敏感度为纵坐标，以1-特异度(1-特异度表示1减去特异度)为横坐标绘制受试者工作特征曲线，根据训练集中最大约登指数确定得到的，当患者概率分值低于截断值时，为低风险患者，患者病情为一过性AKI且于AKI发生48小时内恢复；当患者概率分值高于截断值时，为高风险患者，患者病情于AKI发生48小时后进展为持续性AKI。
一种所述重症脓毒症患者一过性和持续性AKI的预测模型的构建方法，包括以下步骤：
步骤S1、收集重症监护数据库中进入重症监护室后48小时内发生AKI的脓毒症患者的临床数据；
步骤S2、使用极端梯度提升Xgboost算法对临床数据处理后得到用于区分一过性和持续性AKI的特征变量重要性排序，选择排名前20位的特征用于进一步特征筛选；
步骤S3、使用最小绝对收缩和选择算子LASSO算法对步骤S2中得到的20位特征进行进一步筛选，得到14位变量，分别为年龄Age、动脉血氧分压PaO2、动脉血二氧化碳分压PaCO2、阴离子间隙Anion gap、乳酸Lactate、国际标准化比值INR、部分凝血活酶时间Ptt、糖尿病Diabetes mellitus、充血性心衰Congestive heart failure、慢性肾脏病Chronickidney disease、需要机械通气Mechanical ventilation、启动肾脏替代治疗RRTinduction、AKI尿量分期UO stage和AKI肌酐分期SCr stage；
步骤S4、选择步骤S3中得到的14位变量，使用logistic回归构建重症脓毒症患者一过性和持续性AKI的预测模型；
步骤S5、根据步骤S4中构建的预测模型，使用R软件将所述预测模型转化成预测概率表达式(1)，根据预测概率表达式(1)计算出重症脓毒症患者进展为一过性和持续性AKI的风险。
在步骤S1中，所述临床数据包括人口学特征(年龄、性别、种族、ICU类型和入院类型)、合并症(高血压、糖尿病、充血性心衰、周围血管疾病、慢性肺病、肝脏疾病、AIDS、转移性肿瘤和慢性肾脏病)、生命体征(体温、心率、呼吸频率和平均动脉压)、实验室检查(血红蛋白、白细胞计数、血小板计数、胆红素、白蛋白、动脉血pH、动脉血氧分压、动脉血二氧化碳分压、阴离子间隙、血清钠、血清钾、血清氯、血清碳酸氢盐、乳酸、国际标准化比值和凝血活酶时间)、治疗(需要机械通气、需要血管加压药物、启动肾脏替代治疗、使用利尿剂和日平均输液量)和AKI分期(根据肌酐标准和尿量标准的AKI分期)。
在步骤S2中还包括使用5折交叉验证对极端梯度提升Xgboost算法的超参数选择，最终得到的超参数如下：学习速率learning_rate为0.01，树的棵数n_estimators为650，树最大深度max_depth为3，子节点最小权重min_child_weight为3，采样率subsample为0.6，每棵树的特征采样率colsample_bytree为0.7，最小损失分裂gamma为1。
在步骤S2中排名前20位的特征分别为AKI尿量分期UO stage 1期、AKI尿量分期UOstage 2期、AKI尿量分期UO stage 3期、AKI肌酐分期SCr stage 1期、AKI肌酐分期SCrstage 2期、AKI肌酐分期SCr stage 3期、充血性心衰Congestive heart failure、阴离子间隙Anion gap、动脉血氧分压PaO2、启动肾脏替代治疗RRT induction、糖尿病Diabetesmellitus、乳酸Lactate、慢性肾脏病Chronic kidney disease、ICU类型(冠心病或心脏外科监护病房)、国际标准化比值INR、动脉血二氧化碳分压PaCO2、动脉血pH、需要机械通气Mechanical ventilation、部分凝血活酶时间Ptt和年龄Age。在处理多分类变量AKI尿量分期和AKI肌酐分期时需要设置哑变量，选择其中一个分类作为哑变量参照。本发明选择AKI尿量分期UO stage 0期为参照，而AKI尿量分期UO stage 1期、AKI尿量分期UO stage2期和AKI尿量分期UO stage 3期三个分类均为1个特征。故AKI尿量分期1个变量对应3个特征。同理，本发明选择AKI肌酐分期SCr stage 0期为参照，而AKI肌酐分期SCr stage1期、AKI肌酐分期SCr stage 2期和AKI肌酐分期SCr stage 3期三个分类均为1个特征。故AKI肌酐分期1个变量对应3个特征。
在步骤S3中还包括使用交叉验证对最小绝对收缩和选择算子LASSO算法进行处理，选择交叉验证确定参数λ以得到14位变量，其中λ的值为0.009601。
使用由训练集患者的临床数据构建得出的预测模型对测试集中的患者进行预测，得到各患者病情进展为持续性AKI的风险值。在测试集中所述预测模型的受试者工作特征曲线下面积为0.76。在测试集中同样使用截断值0.6316，在该截断值下所述预测模型的敏感度为0.63，特异度为0.76。
实施例2：
一位进入ICU后48小时内发生AKI的脓毒症患者，年龄Age为85岁(year)；动脉血氧分压PaO2为60毫米汞柱(mmHg)；动脉血二氧化碳分压PaCO2为41毫米汞柱(mmHg)；阴离子间隙Anion gap为21毫摩尔每升(mmol/L)；乳酸Lactate为1.3毫摩尔每升(mmol/L)；国际标准化比值INR为1.1；部分凝血活酶时间Ptt为36.9秒(sec)；无糖尿病Diabetes mellitus；有充血性心衰Congestive heart failure；无慢性肾脏病Chronic kidney disease；不需要机械通气Mechanical ventilation；未启动肾脏替代治疗RRT induction；AKI尿量分期UOstage为3期；AKI肌酐分期SCr stage为1期。
将上述变量取值根据所述预测概率表达式(1)计算得到该患者病情进展为持续性AKI的预测概率为0.88045，为高风险(high risk)患者，患者病情于AKI发生48小时后进展为持续性AKI。
实施例3：
一位进入ICU后48小时内发生AKI的脓毒症患者，年龄Age为84岁(year)；动脉血氧分压PaO2为110毫米汞柱(mmHg)；动脉血二氧化碳分压PaCO2为46毫米汞柱(mmHg)；阴离子间隙Anion gap为10毫摩尔每升(mmol/L)；乳酸Lactate为2.2毫摩尔每升(mmol/L)；国际标准化比值INR为1.4；部分凝血活酶时间Ptt为41.1秒(sec)；无糖尿病Diabetes mellitus；无充血性心衰Congestive heart failure；无慢性肾脏病Chronic kidney disease；需要机械通气Mechanical ventilation；未启动肾脏替代治疗RRT induction；AKI尿量分期UOstage为3期；AKI肌酐分期SCr stage为1期。
将上述变量取值根据所述预测概率表达式(1)计算得到该患者病情进展为持续性AKI的预测概率为0.83846，为高风险(high risk)患者，患者病情于AKI发生48小时后进展为持续性AKI。
实施例4：
一位进入ICU后48小时内发生AKI的脓毒症患者，年龄Age为57岁(year)；动脉血氧分压PaO2为101毫米汞柱(mmHg)；动脉血二氧化碳分压PaCO2为45毫米汞柱(mmHg)；阴离子间隙Anion gap为16毫摩尔每升(mmol/L)；乳酸Lactate为2.2毫摩尔每升(mmol/L)；国际标准化比值INR为1.5；部分凝血活酶时间Ptt为53.5秒(sec)；有糖尿病Diabetes mellitus；无充血性心衰Congestive heart failure；无慢性肾脏病Chronic kidney disease；不需要机械通气Mechanical ventilation；未启动肾脏替代治疗RRT induction；AKI尿量分期UOstage为3期；AKI肌酐分期SCr stage为3期。
将上述变量取值根据所述预测概率表达式(1)计算得到该患者病情进展为持续性AKI的预测概率为0.96781，为高风险(high risk)患者，患者病情于AKI发生48小时后进展为持续性AKI。
实施例5：
一位进入ICU后48小时内发生AKI的脓毒症患者，年龄Age为68岁(year)；动脉血氧分压PaO2为91毫米汞柱(mmHg)；动脉血二氧化碳分压PaCO2为58毫米汞柱(mmHg)；阴离子间隙Anion gap为16毫摩尔每升(mmol/L)；乳酸Lactate为1.9毫摩尔每升(mmol/L)；国际标准化比值INR为1.3；部分凝血活酶时间Ptt为24.1秒(sec)；无糖尿病Diabetes mellitus；无充血性心衰Congestive heart failure；无慢性肾脏病Chronic kidney disease；需要机械通气Mechanical ventilation；未启动肾脏替代治疗RRT induction；AKI尿量分期UOstage为2期；AKI肌酐分期SCr stage为0期。
将上述变量取值根据所述预测概率表达式(1)计算得到该患者病情进展为持续性AKI的预测概率为0.51272，为低风险(high risk)患者，患者病情为一过性AKI且于AKI发生48小时内恢复。
实施例6：
一位进入ICU后48小时内发生AKI的脓毒症患者，年龄Age为71岁(year)；动脉血氧分压PaO2为103毫米汞柱(mmHg)；动脉血二氧化碳分压PaCO2为43毫米汞柱(mmHg)；阴离子间隙Anion gap为12毫摩尔每升(mmol/L)；乳酸Lactate为2.5毫摩尔每升(mmol/L)；国际标准化比值INR为2.1；部分凝血活酶时间Ptt为39.5秒(sec)；无糖尿病Diabetes mellitus；无充血性心衰Congestive heart failure；无慢性肾脏病Chronic kidney disease；需要机械通气Mechanical ventilation；未启动肾脏替代治疗RRT induction；AKI尿量分期UOstage为1期；AKI肌酐分期SCr stage为0期。
将上述变量取值根据所述预测概率表达式(1)计算得到该患者病情进展为持续性AKI的预测概率为0.29409，为低风险(high risk)患者，患者病情为一过性AKI且于AKI发生48小时内恢复。
实施例7：
一位进入ICU后48小时内发生AKI的脓毒症患者，年龄Age为57岁(year)；动脉血氧分压PaO2为76毫米汞柱(mmHg)；动脉血二氧化碳分压PaCO2为54毫米汞柱(mmHg)；阴离子间隙Anion gap为14毫摩尔每升(mmol/L)；乳酸Lactate为1.5毫摩尔每升(mmol/L)；国际标准化比值INR为1.2；部分凝血活酶时间Ptt为33.3秒(sec)；无糖尿病Diabetes mellitus；有充血性心衰Congestive heart failure；无慢性肾脏病Chronic kidney disease；需要机械通气Mechanical ventilation；未启动肾脏替代治疗RRT induction；AKI尿量分期UOstage为0期；AKI肌酐分期SCr stage为1期。
将上述变量取值根据所述预测概率表达式(1)计算得到该患者病情进展为持续性AKI的预测概率为0.45816，为低风险(high risk)患者，患者病情为一过性AKI且于AKI发生48小时内恢复。
对比例1(源于文献：“Titeca-Beauport D,Daubin D,Van Vong L,Belliard G,Bruel C,Alaya S,Chaoui K,Andrieu M,Rouquette-Vincenti I,Godde F et al:Urinecell cycle arrest biomarkers distinguish poorly between transient andpersistent AKI in early septic shock:a prospective,multicenter study.CriticalCare 2020,24(1).”)：
Titeca-Beauport D等的研究纳入184名发生AKI的脓毒症休克患者，研究金属蛋白酶组织抑制剂-2(TIMP-2)×胰岛素样生长因子结合蛋白7(IGFBP7)对于AKI持续性的预测价值，结果显示其受试者工作特征曲线下面积为0.67，敏感度为0.74，特异度为0.59，预测效能较低。
对比例2(源于文献：“Darmon M,Bourmaud A,Reynaud M,Rouleau S,Meziani F,Boivin A,Benyamina M,Vincent F,Lautrette A,Leroy C et al:Performance ofDoppler-based resistive index and semi-quantitative renal perfusion inpredicting persistent AKI:results of a prospective multicenterstudy.Intensive Care Medicine 2018,44(11):1904-1913.”)：
Darmon M等的研究纳入233名重症AKI患者，研究基于多普勒的阻力指数(RI)和半定量肾灌注(SQP)对于AKI持续性的预测价值，结果显示其受试者工作特征曲线下面积分别0.58和0.59，敏感度分别为0.50和0.39，特异度分别为0.68和0.75，预测效能较低。
对比例3(源于文献：“Pons B,Lautrette A,Oziel J,Dellamonica J,VermeschR,Ezingeard E,Mariat C,Bernardin G,Zeni F,Cohen Y et al:Diagnostic accuracyof early urinary index changes in differentiating transient from persistentacute kidney injury in critically ill patients:multicenter cohortstudy.Critical Care 2013,17(2):R56.”)：
Pons B等的研究纳入107名重症AKI患者，研究尿指数(钠排泄分数、尿素排泄分数、尿尿素与血浆尿素比值、尿肌酐与血浆肌酐比值)对于AKI持续性的预测价值，发现各项尿指数预测效果均不佳，其受试者工作特征曲线下面积均≤0.65。
相比于对比例1-3，由实施例1构建的预测模型所纳入的临床数据指标均为临床上常规收集和记录的指标，具有易获得、价格低廉和使用便捷等优势。在预测模型的构建方法中，实施例1使用先进的机器学习算法(如极端梯度提升Xgboost算法和最小绝对收缩和选择算子LASSO算法)和logistic回归相结合的方法，使用机器学习算法无偏倚地识别与AKI持续性相关的重要变量，使用logistic回归整合各项变量，得到各变量对于AKI持续性的具体影响系数，从而使预测模型具有较强的可解释性和预测效能。与对比例1-3中使用单一预测指标不同，实施例1中的预测模型将多项临床指标结合，受试者工作特征曲线下面积高达0.76，敏感度高达0.63和特异度高达0.76。此外，在所述预测模型的构建中，实施例1纳入5984例患者，样本量较大，以7:3的比例将总样本随机分为训练集和测试集，通过测试集的设置，进一步验证了该模型具有较好的预测效能，确保了模型的稳定性和实用性。综合实施例1-7和对比例1-3分析，本发明为临床医师提供了一个简单、实用的一过性和持续性AKI风险预测工具，有利于对重症脓毒症AKI患者进行危险分层，早期识别可能进展为持续性AKI的高危患者，进一步制定个体化的治疗策略和管理方案，从而改善患者的临床预后，提高医疗质量和医疗安全。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：胆囊癌患者放化疗后生存获益的预测模型建立方法