目的 基于机器学习分析使用呋塞米的住院患者与急性肾损伤(acute kidney injury,AKI)发生及死亡风险的相关性,并构建风险预测模型.方法 本研究纳入2017年10月-2020年10月我院使用呋塞米的住院患者18 998例.利用轻量梯度提升机(LightGBM)等8种机器学习算法,建立呋塞米相关性AKI以及死亡风险的评估模型.使用受试者工作特征(ROC)曲线、决策曲线分析(DCA)等方法评价模型的区分度、校准度及临床实用性.使用SHAP摘要图对曲线下面积(AUC)最高的预测模型进行特征重要性分析,使用SHAP力图与SHAP决策图解释患者AKI发生及死亡概率预测的个体化决策过程.结果 在8种机器学习模型中,LightGBM模型预测AKI发生与死亡风险的AUC为0.814和0.949,ROC及DCA曲线等表明该模型在校准度和临床应用等方面性能良好.SHAP摘要图提示使用呋塞米后患者血肌酐、血清胱抑素C、尿微量白蛋白/肌酐比值、联合使用肾上腺素及联合使用肝素是影响AKI发生的5个最主要因素;使用呋塞米后的24 h尿蛋白定量、血浆凝血酶原时间国际标准化比值、血浆血小板计数、联合应用肾上腺素及住院期间发生AKI是导致患者死亡的5个最主要因素.结论 通过机器学习算法建立了使用呋塞米的住院患者发生AKI以及死亡风险的评估模型,该模型可以有效预测患者AKI发生及死亡风
作者：崔连顺；徐翎钰；李天阳；管陈；杨成宇；张凝馨；宋卓；徐岩
来源：精准医学杂志 2023 年 38卷 6期
