机器学习预测重症监护中少尿性急性肾损伤患者的容量反应能力

机器学习预测重症监护中少尿性急性肾损伤患者的容量反应能力

在重症监护室中，急性肾损伤（AKI，Acute kidney injury）是很常见的疾病。AKI少尿占AKI总人数的相当大的比例，它对液体管理提出了巨大的挑战。具有容量反应性急性肾损伤（VR-AKI，Volume-Responsive AKI）的患者能够通过输液或液体平衡改善排尿量。无容积反应性急性肾损伤（VU-AKI，Voulume-Unesponsive AKI）的患者采用液体疗法无法改善尿量，甚至可能加剧肾功能的恶化。由于器官功能障碍的早期改善与生存率的提高有关，所以确定哪些患者患有VR或VU AKI进而调整液体治疗策略十分重要。目前，关于如何在尿量反应方面识别VR-AKI和VU-AKI 患者的临床信息很少。这项研究的目标是使用机器学习技术来开发和验证AKI患者容量反应模型。

本文实验数据来自一个大型美国重症监护数据库，纳入了ICU入院后前6小时尿量<0.5ml/kg/h，随后6小时液体摄入量>5L的AKI患者。在排除了809名因在第一天接受了利尿剂和/或RRT的患者后，本文实验共纳入6682名患者。2456名患者出现VR-AKI，4266名患者出现VU-AKI（图1）。

本文研究的变量包括患者的年龄、性别、种族等常见临床信息。此外，还包括实验室数据，如葡萄糖、白细胞计数、血细胞比容等。以最初6小时后18小时以内的尿量为标准，如果患者的尿量大于0.65ml/kg/h，则视为VR-AKI。如果患者尿量增加量低于基线值的30%，被定义为VU-AKI。

在模型开发过程中，整个样本按3:1的比例分成训练样本和测试样本。采用XGBoost和决策树相结合的方法预测VR-AKI和VU-AKI。XGBoost超参数包括学习率、在树的某个叶节点上进一步划分所需的最小损失减少量、树的最大深度、训练实例的子样本比。为了避免过度拟合，需要微调超参数。在本文中使用了bootstrap验证（BV，bootstrap validation），将原始数据集随机分成5个大小相等的子样本。最终XGBoost模型中的树数由最后100次BV迭代中每次测试日志损失的最小BV决定（图2）。

使用AUROC来评估模型辨别能力。特征重要性是通过将误差减少的总和除以一个变量来计算的，这反映了每个变量在分类VR-AKI和VU-AKI时所做的贡献。

根据图2显示的训练过程进行超参数调优，最终选择超参数为学习率= 0.04，最小损失减少= 10，最大树深度= 9，子样本= 0.6，树数= 300。如图3显示XGBoost的AUROC显著高于逻辑回归模型。尿肌酐是区分VR-AKI和VU-AKI最重要的变量，其次是最大尿素氮、年龄、白蛋白和最高温度(图4)。

这项研究表明，与VU-AKI相比，一些临床因素更可能与VR-AKI相关。XGBoost建模技术可以识别在使用逻辑回归时不明显的VR-AKI预测因子，从而产生更好的预测模型来识别VR-AKI的患者。使用先进的机器学习技术进行进一步的流行病学研究，将有助于确定最适合采用液体疗法的患者。