急性胰腺炎（AP）是全球住院治疗的主要原因之一，急性肾损伤（AKI）作为其常见并发症，显著增加了患者的死亡率。研究表明，重症AP患者中，AKI的发生率可高达80%，且其死亡率较无AKI患者高出约5-6倍。因此，准确预测胰腺炎相关急性肾损伤（AP-AKI）重症患者的住院死亡率对于早期识别高危患者具有重要意义。传统的Logistic回归（LR）模型广泛应用于死亡率预测中，但其在临床实际应用中存在灵敏度和特异性不足等问题。随着机器学习技术的发展，本研究旨在比较机器学习算法（如随机森林RF和极限梯度提升XGBoost）与LR模型在AP-AKI患者住院死亡率预测中的表现，进而开发并验证基于机器学习的预测模型。

本研究为回顾性队列研究，使用来自三个临床数据库的数据，包括Medical Information Mart for Intensive Care-IV（MIMIC-IV）、eICU Collaborative Research Database（eICU-CRD）及湘雅医院的临床数据。MIMIC-IV和eICU-CRD数据库中的AP-AKI患者数据用于模型的训练，湘雅医院的AP-AKI患者数据用于外部验证。研究选取了包含人口学特征、实验室指标、生命体征、合并症及治疗需求等因素作为潜在预测变量，并通过递归特征消除（RFE）算法进行特征筛选。随后使用十折交叉验证分别构建了LR、RF和XGBoost模型，比较它们在预测AP-AKI患者住院死亡率中的表现。

研究共纳入了1089例来自MIMIC-IV和eICU-CRD数据库的AP-AKI患者用于训练，及176例来自湘雅医院的患者用于外部验证。训练集与验证集的住院死亡率分别为13.77%和54.55%。在训练集中，XGBoost模型的ROC曲线下面积（AUC）为0.941（95% CI 0.931-0.952），显著高于LR模型（AUC=0.788）和RF模型（AUC=0.894），且其Brier分数为0.039，为所有模型中最低。在外部验证集中，XGBoost模型的AUC为0.724（95% CI 0.648-0.800），其预测表现仍较为理想，但与LR和RF模型相比无显著差异。研究还发现，影响住院死亡率的主要预测因素包括年龄、中性粒细胞、红细胞分布宽度（RDW）、血尿素氮（BUN）、白蛋白、收缩压（SBP）、肾脏替代治疗（RRT）和血管活性药物的使用。

外部验证集的AUC特征曲线

本研究开发的XGBoost模型在训练集中表现优于LR和RF模型，具有更好的区分度和校准度，且识别出八个重要的预测因子。然而，由于训练集与验证集之间在患者特征和死亡率等方面存在较大差异，XGBoost模型在外部验证中的表现未显著优于传统模型。因此，该模型的广泛适用性仍需进一步验证。

原始出处：

Machine learning models for mortality prediction in critically ill patients with acute pancreatitis–associated acute kidney injury, Clinical Kidney Journal, Volume 17, Issue 10, October 2024, sfae284, https://doi.org/10.1093/ckj/sfae284

Tags： CKJ：基于机器学习模型预测重症胰腺炎相关急性肾损伤住院死亡率的效果如何？