研究队列共3,402名慢性肾病患者，其中1,142人（33.57%）共病为HL。通过皮尔逊卡方检验和Wilcoxon秩和检验，发现了年龄、性别、SBP、DBP、BMI、LYM%、MO%、NEUT%、EO%、BASO%、RBC、MCV、MCH、RDW、PLT、ALB、ALP、BUN、Ca等指标的显著组间差异（p≤ 0.05）2+，HCO3−，GLU，LDH，P，结核，TP，TG，UA，SCR，Na，K，CL++−，以及 OP，这些后来都被纳入了功能选择中（表1以及图3).
单变量和多变量逻辑回归分析识别出15个独立预测变量用于模型构建。这些变量被纳入最终临床预测模型，详细回归系数和置信区间为表2.
本研究采用九种机器学习算法构建预测模型，包括XGBoost、LR、LightGBM、RF、AdaBoost、GBDT、MLP、KNN和GNB。所有模型的ROC曲线均通过五折交叉验证生成。模型性能基于AUC评估，XGBoost和RF在训练集中表现优异，XGBoost在验证集中表现出最高的预测准确率。在训练集中，XGBoost模型的截止值为0.766，性能指标如下：准确率 = 0.974，敏感度 = 0.966，特异度 = 0.982，PPV = 0.981，NPV = 0.966，F1评分 = 0.974，Cohen's kappa = 0.947。射频模型的阈值为0.520，准确率=0.973，灵敏度=0.980，特异度=0.966，PPV = 0.966，NPV = 0.980，F1评分=0.973，Cohen's kappa = 0.946（图4). 在验证集中，XGBoost模型保持了0.766的截止值，准确率=0.865，敏感度=0.823，特异度=0.906，PPV = 0.898，NPV = 0.837，F1评分=0.859，Cohen's kappa = 0.729（图5). 比较分析显示，XGBoost算法在训练和验证阶段均表现优于其他模型，展现出稳健的泛化性和诊断精度。这些发现表明XGBoost被确定为临床决策框架的最佳预测模型。
XGBoost模型通过五重交叉验证构建和验证。如图所示图6，模型在训练集中获得了0.984的AUC，截止值为0.841，性能指标如下：准确率 = 0.940，灵敏度 = 0.907，特异度 = 0.972，PPV = 0.970，NPV = 0.914，F1评分 = 0.937。在验证集中，表现一致，AUC = 0.984，截止值 = 0.841，准确率 = 0.936，灵敏度 = 0.903，特异度 = 0.969，PPV = 0.966，NPV = 0.910，F1 评分 = 0.934。在测试集中，模型的AUC为0.939，截止值=0.854，准确率=0.842，敏感度=0.774，特异度=0.917，PPV=0.910，净值=0.788，F1评分=0.837。
