目的 使用机器学习方法分析增强CT检查后对比剂肾病(CIN)的风险因素.方法 回顾性分析2373例患者的临床资料,包括基本信息、基础病史、对比剂注射信息共18项指标.以患者有无CIN为金标准,通过机器学习方法分析各指标的重要性,并使用传统分析方法进行补充和验证.结果 机器学习结果显示CIN风险因素的重要性排序依次是估算肾小球滤过率(eGFR)、血清肌酐(SCR)、糖尿病病史、性别、恶性肿瘤病史;传统统计方法显示CIN阴性和阳性组间,eGFR、SCR和性别3项指标存在显著性差异.结论 机器学习可以作为深度挖掘CIN影响因素的工具;除了eGFR、SCR,糖尿病、性别及恶性肿瘤都是CIN的风险因素,糖尿病患者、女性患者、恶性肿瘤患者应给予重点关注.
作者：赵凯；张晓东；吴静云；张保翠；罗健；王霄英
来源：实用放射学杂志 2022 年 38卷 8期
