机器学习模型在儿科重症监护中急性肾损伤早期预测中的应用

摘要：

儿科重症监护中患者急性肾损伤（AKI）是通过血清肌酐升高来诊断，这只发生在肾损害之后。一旦发生AKI，除了支持性护理外无其他治疗方法，因此识别有风险的患者以防止肾损伤十分重要。该研究建立了一个机器学习模型，以学习疾病前的生理测量模式，并较目前的诊断指南提前48 h预测儿童AKI。该研究基于3家独立机构的16 863例1个月至21岁的儿科重症监护患者的电子病历数据，建立了一个基于血清肌酐的早期预测的单一机器学习模型，该模型使用智能工程预测器，如肌酐变化率，自动评估实时AKI风险。主要结局为中度至重度AKI（2/3期），次要结局为任何AKI（1/2/3期）和需要肾脏替代治疗（RRT）。根据预测生成的警报以及相关信息和建议，可以快速评估和降低AKI的风险，例如预测“患者在未来48 h内有90%的风险发生AKI”并提示“患者服用氨基糖苷类药物，建议检查药物水平并审查剂量和适应证”。该模型在常规标准检测前成功预测了2/3期AKI，中位提前时间为30 h，受试者工作特征（ROC）曲线下面积为0.89。该研究建立的模型预测了70%的后续RRT，58%的2/3期和41%的任何一期AKI的发生。任何AKI发生的假警报与真警报的比例约为1∶1（阳性预测值为47%）。被模型识别的79%的患者在发生AKI之前接受了有潜在肾毒性的药物治疗。该模型作为首个多中心验证的儿科重症监护患者AKI的预测模型，可在AKI发生48 h前准确预测中度至重度AKI。同时，该模型可以通过提供早期预警和可操作的反馈来改善儿童AKI的预后，并通过实施药物调整等早期措施来预防或减少AKI发生。

所属期刊栏目：103

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共1页

页码：1224