ReaderMX.
数据STUDIO

北大用 “机器学习+SHAP” 荣登 Nature子刊！

数云朵君约 8 分钟

Image

Image

这篇题为《Development and validation of a real-time prediction model for acute kidney injury in hospitalized patients》的论文发表于《Nature Communications》，旨在开发和验证一种适用于住院患者的急性肾损伤（AKI）实时预测模型。

Image
标题：住院患者急性肾损伤实时预测模型的建立与验证
发表期刊：Nature Communications
发表时间：2025年1月
影响因子：15.7/Q1

一、研究背景

急性肾损伤（AKI）是住院患者中常见且潜在致命的并发症，与高发病率、死亡率和医疗费用密切相关。全球每年约有1330万人发生AKI，其中85%来自发展中国家。尽管许多AKI病例是可预防的，但由于非专科医生识别困难、缺乏有效干预手段，早期预测和干预仍是临床难点。

目前，已有一些基于机器学习的AKI预测模型，但多基于发达国家的数据，缺乏在发展中国家的验证，且模型复杂、变量不易获取，限制了其推广。因此，开发一种简单、可解释、适用于不同层级医院的AKI实时预测模型，尤其在发展中国家，具有重要的公共卫生意义。

二、研究方法

本研究是按照用于个体预后或诊断的多变量预测模型的透明报告指南进行和报告的，用于开发和验证预测模型。通过将模型直接传输到验证队列和使用来自验证站点的一小部分数据重新拟合模型来评估模型的性能。

研究设计

多中心回顾性队列研究，遵循TRIPOD指南。共纳入中国5家医院（包括三甲和地方医院）161,876例住院患者。

Image
图1. 研究设计流程图

队列划分

  • 模型开发队列：北京大学第一医院（2018–2019年）
  • 内部验证队列：北京大学第一医院（2020年）
  • 外部验证队列：其余4家医院

结局指标

  • 主要结局：48小时内发生AKI
  • 次要结局：24h、72h内AKI，以及24h、48h、72h内严重AKI（KDIGO分期2–3）

模型构建

最终模型纳入20个常规临床变量，包括生命体征、实验室指标、用药情况等。

  • 使用LightGBM特征选择 + 随机森林模型
  • 每6小时更新一次预测
  • 使用SHAP值进行模型解释

三、研究结果

1. 参与者特征
上下滑动查看更多
Image

表1.派生和验证队列中患者的统计学特征和结局

显示了每个验证队列的选择过程。人口统计学特征在推导队列和五个验证队列中有所不同。与衍生队列中的患者相比，内部验证队列中的患者具有相似的特征。

  • AKI发生率：整体为5.39%，其中严重AKI占41.4%
  • 不同医院差异：
    • 三甲医院（Site 2、3）AKI发生率较高（6.8%–9.1%）
    • 地方医院（Site 4、5）较低（3.7%–6.2%）
  • AKI患者特征：
    • 年龄更大、ICU入住率高、合并慢性肾病比例高
    • 住院时间更长、死亡率更高

2. 模型性能（AUC）

Image

表2.验证队列中AKI和重度AKI的转运模型

我们通过将模型直接传输到验证队列并将模型重新拟合到目标站点来评估模型的性能。表2显示了48个独立队列的验证队列中预测72、5和2小时内AKI和严重AKI的模型的判别性能。

模型类型
AKI（48h）
严重AKI（48h）
原始模型（ transported）
0.74–0.85
0.83–0.90
重训练模型（refitted）
0.81–0.90
0.88–0.95
  • 内部验证性能最佳，外部验证中重训练模型性能显著提升
  • 预测时间窗口：中位提前54–90小时（外部验证）
Image
图2.校准模型在验证队列中对急性肾损伤（AKI）
AKI和重度AKI的模型在所有地点的所有概率范围内都进行了良好的校准（图2）。

3. 亚组性能分析

Image

表3.按入院Scr、性别、地点和既往手术分层的验证队列中48小时内AKI和重度AKI的重新拟合模型的AU

表3显示了用于预测48小时内AKI和严重AKI的重拟模型的AUC，按入院Scr，性别，位置和既往手术分层。除第88位和第4位点外，两种模型在入院Scr较低的患者中表现更好。

  • 按入院Scr水平：Scr < 88.4 μmol/L 的患者预测性能更好（部分医院例外）
  • 性别差异：女性预测AKI略优，男性预测严重AKI略优
  • 科室差异：普通病房预测性能优于ICU
  • 手术史：未手术患者预测性能优于术后患者

4. 可解释性分析

4.1 最终模型变量列表

类别
变量
临床意义
肾功能动态
①Scr最新变化速率（μmol/L/h）
②最低Scr（μmol/L）
③BUN（mmol/L）
直接反映肾小球滤过功能及趋势
感染/炎症
④淋巴细胞百分比（%）
⑤中性粒细胞百分比最高值（%）
⑥PCT（ng/mL）
⑦CRP（mg/L）
感染、炎症状态是AKI重要诱因
心功能/血流动力
⑧心率（bpm）
⑨呼吸频率（次/分）
⑩心肌肌钙蛋白I（ng/mL）
低灌注、心肾综合征信号
营养/容量
⑪白蛋白（g/L）
⑫血红蛋白（g/L）
⑬红细胞计数（×10¹²/L）
贫血、容量不足或营养差
用药行为
⑭利尿剂使用（是/否）
⑮人血白蛋白使用（是/否）
肾前性因素或医源性损伤
科室/操作
⑯ICU入住（是/否）
⑰心血管手术（是/否）
重症或手术相关AKI高风险
实验室其他
⑱乳酸脱氢酶（IU/L）
⑲D-二聚体最低值（mg/L）
⑳血小板计数（×10⁹/L）
微循环、凝血及内皮损伤指标

特点：全部常规采集，无需额外检测成本；覆盖“肾前-肾性-肾后”三大环节。

4.2 SHAP图解读（全局+个体）

Image

图3.对预测急性肾损伤（AKI）48小时内发病特征的模型可解释性分析

在全球范围内，SHAP汇总图（图3）根据平均绝对SHAP值降序显示了每个特征对内部验证集中模型输出的相对影响，SHAP值大于零表示AKI风险增加，SHAP值越高代表AKI风险越大。

  • 全局摘要图（图3）
    纵轴=按“平均绝对SHAP值”排序，横轴=SHAP值（>0 风险↑，<0 风险↓）。
    Top 5风险放大因子：

  1. Scr最新变化速率（斜率↑→SHAP↑）
  2. 利尿剂使用（是→SHAP↑）
  3. 淋巴细胞百分比↓（免疫抑制/感染→SHAP↑）
  4. ICU入住（是→SHAP↑）
  5. 人血白蛋白使用（反映容量或低蛋白→SHAP↑）
Image
图4.该图展示了预测模型中包含的特征与48小时内急性肾损伤（AKI）的SHAP依赖关系
SHAP依赖性图（图4）显示单个特征如何影响模型的输出，并且随着特征值在绘图中的变化，可以可视化特征的属性重要性的变化。
Image
图5.力图展示了预测模型中AKI（急性肾损伤）48小时内发病特征对模型输出的影响
在单个级别，当为单个预测输入特征的实际值时，图5不仅显示了AKI的预测概率，还显示了个体的特征如何影响模型输出，为预测结果提供了个性化的解释。

  • 个体力场图（图5）
    例①：67%概率发生AKI——ICU入住+心率105次/分+淋巴%低+中性粒/白蛋白比值高→提示“脓毒症倾向”。
    例②：9%概率——无利尿剂、Scr变化为负、无ICU→提示“病情平稳”。

推荐阅读：用 SHAP 可视化解释机器学习模型实用指南(上) 用 SHAP 可视化解释机器学习模型实用指南(下)

5. 预测性能

Image
Image

最优概率阈值

  • AKI：0.45（内部验证），灵敏度89.4%，特异度89.3%，NPV 99.6%
  • 严重AKI：0.4，灵敏度90.9%，特异度93.9%，NPV 99.8%

提前预警时间

  • AKI：中位提前72小时（内部），54–90小时（外部）
  • 严重AKI：中位提前114小时（内部），78–108小时（外部）

四、与主流AKI预测模型的横向对比

模型/研究
数据来源
变量数
预测窗口
外部验证
AUC（AKI）
优点
局限
本研究
中国5家医院（>16万）
20
24–72 h
5家独立医院
0.81–0.90
变量少、可解释、发展中国家人群
仅首次AKI，复发未研究
Tomašev 2019（DeepMind）
美国Veterans Affairs
不明
0–48 h
英/美多家
0.75–0.92
深度学习、连续预测
黑箱、变量多、需GPU
Churpek 2020（XGBoost）
美国UChicago
64
0–72 h
1家外部
0.78–0.83
重症人群验证
变量复杂、北美人群
Simonov 2020（RF）
美国UCSF
13
0–24 h
无
0.82
极简变量
单中心、无外部验证
Song 2020（Explainable AI）
中国MIMIC-IV
104
0–48 h
中美交叉
0.78–0.85
可解释、跨洲验证
变量多、ICU人群为主

结论：本研究在“变量数-性能-可解释性-外部可推广性”四象限中取得较好平衡，尤其适合在资源有限的发展中国家医院落地。

五、小结

本研究开发并验证了一种基于常规电子健康记录（EHR）数据的简单、可解释机器学习模型，用于实时预测普通住院患者的急性肾损伤（AKI）。

该模型采用离散时间生存分析框架与6小时滚动预测机制，结合LightGBM特征选择与随机森林算法，并通过五折十次交叉验证确保稳健性，同时利用SHAP方法实现模型全局与个体层面的可解释性。仅使用20个常规临床变量，模型即达到AKI预测AUC 0.81–0.90、严重AKI预测AUC 0.88–0.95的性能，可提前54–90小时发出预警，阴性预测值（NPV）超过99%，适用于普通病房、ICU及术后人群。通过重训练策略，模型在地方医院应用中AUC提升超0.08。该工具可直接嵌入现有医院信息系统（HIS/EHR）零成本运行，为非肾科医生提供可视化风险因素提示，支持停用肾毒性药物、优化容量管理等KDIGO推荐干预措施。

未来研究将探索复发AKI、儿童人群、慢性肾病（CKD）进展预测，结合新型生物标志物（如uKIM-1、NGAL）构建分层模型，并通过前瞻性集群随机试验验证“预警-干预”模式对降低AKI发生率及医疗成本的实际效果。

🏴‍☠️宝藏级🏴‍☠️ 原创公众号『数据STUDIO』内容超级硬核。公众号以Python为核心语言，垂直于数据科学领域，包括可戳👉Python｜MySQL｜数据分析｜数据可视化｜机器学习与数据挖掘｜爬虫等，从入门到进阶！

长按👇关注- 数据STUDIO -设为星标，干货速递ImageImage

KEEP THE THREAD GOING

更多来源文章