2025年4月26日，Yue Zhang等人在《eBioMedicine》雜志上發(fā)表了一篇題為《Prediction of acute and chronic kidney diseases during the post-covid-19 pandemic with machine learning models: utilizing national electronic health records in the US》的文章。本研究旨在旨在利用大型電子健康記錄（EHR）和機器學習（ML）算法預(yù)測疫情后急性腎損傷（AKI）和慢性腎臟疾病（CKD）的發(fā)病率，評估將COVID-19感染史作為預(yù)測指標的必要性，并開發(fā)一個可供臨床使用的實用網(wǎng)頁應(yīng)用程序。

CKD和AKI是美國成人中的常見疾病，但早期診斷困難，且COVID-19感染已被證實與腎臟并發(fā)癥風險增加相關(guān)?，F(xiàn)有機器學習模型多基于小規(guī)模臨床數(shù)據(jù)或未包含COVID-19相關(guān)變量，且缺乏針對后疫情時代普通人群的大規(guī)模研究。因此，本研究通過整合COVID-19感染次數(shù)、住院史、實驗室指標（如估計腎小球濾過率（eGFR）、血尿素氮（BUN））等69個基線變量，填補了這一空白，并強調(diào)臨床實用性。

研究數(shù)據(jù)來自美國TriNetX研究網(wǎng)絡(luò)的電子健康記錄，覆蓋2020年1月至2024年3月期間約250家醫(yī)療機構(gòu)的患者。初始樣本包括1,312,610名18歲以上患者，經(jīng)排除缺失人口統(tǒng)計學信息、無2022年7月后就診記錄、已有腎臟疾病史或肌酐值缺失后，最終納入104,565名患者。

研究采用機器學習模型進行預(yù)后分析，包括數(shù)據(jù)預(yù)處理、缺失值填補、類別平衡處理及模型訓練。缺失值通過XGBoost算法填補，類別不平衡問題通過SMOTE過采樣和隨機降采樣解決。使用8種機器學習算法（XGBoost、隨機森林、神經(jīng)網(wǎng)絡(luò)、支持向量機等）訓練模型，并通過10折交叉驗證和網(wǎng)格搜索優(yōu)化參數(shù)。特征選擇結(jié)合模型驅(qū)動（變量重要性評分）、數(shù)據(jù)驅(qū)動（Spearman相關(guān)性降維）和臨床驅(qū)動（專家意見）方法，最終選定9個關(guān)鍵變量（年齡、性別、BMI、收縮壓/舒張壓、eGFR、BUN、住院次數(shù)、COVID-19感染次數(shù)）。模型性能通過AUROC、敏感性、特異性、準確率、F1分數(shù)等指標評估，并通過Delong檢驗比較不同模型的AUROC差異。

 - 研究人群的基線特征 - 

經(jīng)排除標準后，共納入104,565例患者。其中，101,870例（年齡（平均值，[SD]），52.6 [17.8]；女性（%），57.4%）患者在隨訪期間未發(fā)生腎臟結(jié)局，366例（年齡，64.1 [15.2]；女性，43.7%）患者在1個月內(nèi)發(fā)生AKI，332例（年齡，69.6 [12.7]；女性，46.7%）患者在1個月內(nèi)發(fā)生CKD，1,475例（年齡，64.6 [15.3]；女性，46.2%）患者在1年內(nèi)發(fā)生AKI，1,642例（年齡，69.1 [13.0]；女性，53.8%）患者在1年內(nèi)發(fā)生CKD。與AKI患者1個月預(yù)測窗口（65.0 [25.5]）、1年預(yù)測窗口（72.2 [23.8]）和非病例組（91.9 [20.9]）相比，CKD患者1個月預(yù)測窗口（mL/min/1.73 m2，平均值[SD]，51.8 [20.1]）和1年預(yù)測窗口（58.6 [20.3]）內(nèi)的eGFR最低。一共從EHR中提取了69個變量。

 -預(yù)測因子的變量重要性- 

將8種機器學習算法應(yīng)用于訓練數(shù)據(jù)集，使用所有69個變量進行完整模型訓練，分別針對1個月和1年的預(yù)測窗口內(nèi)的AKI和CKD，共計得到32個模型。使用縮放變量重要性（VI）評分進行評估，在1個月和1年的預(yù)測窗口中，預(yù)測AKI的最重要變量是前一年的住院就診次數(shù)（1個月窗口的VI為100；1年窗口的VI為100），其次是eGFR（29.0；52.8）和BUN（15.6；33.8）。在1個月和1年的預(yù)測窗口中，CKD的前三個變量分別是eGFR（100；100）、肌酐清除率（CrCL）（59.8；35.4）和住院次數(shù)（45.0；40.4）。在按變量分類的評估亞組中，除了實驗室檢查結(jié)果和住院相關(guān)變量外，以下因素在其各自的類別中也顯示出重要性：BMI、收縮壓、舒張壓、高血壓、年齡、性別和前一年COVID-19感染人數(shù)。

 - 模型開發(fā) - 

基于模型驅(qū)動、數(shù)據(jù)驅(qū)動和臨床驅(qū)動方法，作者將變量（特征）的數(shù)量從69個減少到3個（分別為69、31、15、12、9和3），并分別評估每組ML性能。前4個ML模型的特征和性能列表如圖4所示。具體而言，在9個特征時，XGBoost模型在預(yù)測1年內(nèi)AKI、1個月內(nèi)AKI和1年內(nèi)CKD方面表現(xiàn)出最佳性能。隨機森林模型在9個特征下預(yù)測1個月內(nèi)CKD的效果也最好。然后選擇在9個特征處具有最佳AUROC的模型來評估準確性、F1分數(shù)、靈敏度和特異性。這些模型展現(xiàn)了良好的性能，在所有評估指標上均未出現(xiàn)顯著下降，甚至優(yōu)于一些包含9個以上特征的模型。因此，作者為最終模型選擇了9個特征，包括5個患者人口統(tǒng)計學信息（年齡、性別、BMI、舒張壓和收縮壓）、2個實驗室檢查結(jié)果（eGFR (mL/min/1.73 m2)和BUN (mg/dL)以及2個過去1年的病史（COVID-19感染次數(shù)和住院次數(shù)）。

 - 模型評估 - 

總體而言，四種機器學習模型——AdaBoost、XGBoost、神經(jīng)網(wǎng)絡(luò)和隨機森林——在使用9個選定特征預(yù)測四種結(jié)果時表現(xiàn)出色。模型選擇主要以AUROC為指導。此外，還尋求在其他標準（包括準確度、F1分數(shù)、靈敏度和特異性）之間取得平衡的性能，以確定最終模型。選擇XGBoost來預(yù)測(1) 1個月窗口內(nèi)的AKI發(fā)病率，AUROC為0.803（95% CI：0.770–0.835），準確度為0.749（0.728–0.771），F(xiàn)1分數(shù)為0.848（0.829–0.867），靈敏度為0.751（0.732–0.771），特異性為0.775（0.756–0.793）；(2) 1年窗口期內(nèi)AKI發(fā)生率，AUROC為0.799（0.777～0.822），準確度為0.740（0.727～0.760），F(xiàn)1得分為 0.816（0.798～0.834），敏感度為0.746（0.723～0.769），特異度為0.747（0.724～0.771）；(3) 1年窗口期內(nèi)CKD發(fā)病率，AUROC為0.894（0.879～0.910），準確率為0.832（0.815～0.848），F(xiàn)1得分為0.883（0.870～0.899），敏感度為0.841（0.821～0.855），特異度為0.803（0.789～0.818）。選擇隨機森林對1個月窗口期內(nèi)CKD發(fā)病率進行預(yù)測，AUROC為0.896（0.864～0.928），準確率為0.841（0.822～0.858），F(xiàn)1得分為0.909（0.881～0.924），敏感度為0.842（0.821～0.864），特異度為0.828（0.803～0.823）。

 - 網(wǎng)頁應(yīng)用程序 - 

為促進其在臨床環(huán)境中的應(yīng)用，作者開發(fā)了一個名為AIBI APP的網(wǎng)頁應(yīng)用程序，該應(yīng)用程序整合了最終模型，用于預(yù)測1個月或1年內(nèi)的AKI和CKD。用戶可以通過輸入9個選定變量的相應(yīng)值來獲取預(yù)測結(jié)果（高/低風險）?？赏ㄟ^以下鏈接訪問該應(yīng)用程序：https://zackzhang1993.shinyapps.io/aibi_app/。

研究證實，基于大規(guī)模國家EHR數(shù)據(jù)和機器學習模型（XGBoost、隨機森林）可高效預(yù)測疫情后的AKI和CKD風險，其中COVID-19感染史是關(guān)鍵預(yù)測因子。最終模型在簡化變量后仍保持高判別性能（AUROC>0.8），且通過網(wǎng)頁應(yīng)用實現(xiàn)了臨床轉(zhuǎn)化。

 - END -