急性肾损伤(AKI)是住院患者常见的危重症之一,具有较高的发病率和死亡率.建立预测模型,对AKI进行预测,并分析影响其发生的危险因素,以便对具有AKI潜在风险患者进行及时干预.选择住院2～14 d的90 780位受试者(其中,AKI患者7 983名,non-AKI患者82 797名,按4:1划分训练集和独立测试集),收集其住院期间的生化指标、药物的使用情况、基本信息,以及入院科室、合并症情况、住院时间等其他临床信息,分别应用逻辑回归、随机森林、LightGBM等3种机器学习模型,经十折交叉验证法进行训练后,对独立测试集在24h后是否发生AKI进行预测;并根据受试者特性工作曲线下的面积(AUC)以及召回率和准确率的调和F1值,评估与比较不同模型的性能.结果 表明,LightGBM模型最优,其F1、AUC、敏感性与特异性分别为0.800、0.871、0.755和0.987.影响AKI发生的重要因素有:一是一般临床特征,包括年龄、已住院天数、入院科室;二是检验结果,包括首检肌酐值、血液中的钠、钾、氯、尿酸及糖化血红蛋白的含量;三是药物,包括抗感染类药物、非甾体类抗炎症药物、利尿药或脱水药、肾上腺索受体激动剂、造影剂、ACEI/ARB类降压药,以及用药种类,药物治疗天数;四是合并症,如中重度肾病.利用住院患者的临床信息,机器学习模型可以在24h内有效地预测AKI的发
作者：张钦；郭圣文；梁馨苓；陈源汉；吴燕华；付蕾
来源：中国生物医学工程学报 2019 年 38卷 6期
