利用机器学习模型预测新冠疫情后急性和慢性肾脏疾病：利用美国国家电子健康记录

2025年4月26日，Yue Zhang等人在《eBioMedicine》杂志上发表了一篇题为《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电子健康记录（EHR）和机器学习（ML）算法预测疫情后急性肾损伤（AKI）和慢性肾脏疾病（CKD）的发病率，评估将COVID-19感染史作为预测指标的必要性，并开发一个可供临床使用的实用网页应用程序。

CKD和AKI是美国成人中的常见疾病，但早期诊断困难，且COVID-19感染已被证实与肾脏并发症风险增加相关。现有机器学习模型多基于小规模临床数据或未包含COVID-19相关变量，且缺乏针对后疫情时代普通人群的大规模研究。因此，本研究通过整合COVID-19感染次数、住院史、实验室指标（如估计肾小球滤过率（eGFR）、血尿素氮（BUN））等69个基线变量，填补了这一空白，并强调临床实用性。

研究数据来自美国TriNetX研究网络的电子健康记录，覆盖2020年1月至2024年3月期间约250家医疗机构的患者。初始样本包括1,312,610名18岁以上患者，经排除缺失人口统计学信息、无2022年7月后就诊记录、已有肾脏疾病史或肌酐值缺失后，最终纳入104,565名患者。

研究采用机器学习模型进行预后分析，包括数据预处理、缺失值填补、类别平衡处理及模型训练。缺失值通过XGBoost算法填补，类别不平衡问题通过SMOTE过采样和随机降采样解决。使用8种机器学习算法（XGBoost、随机森林、神经网络、支持向量机等）训练模型，并通过10折交叉验证和网格搜索优化参数。特征选择结合模型驱动（变量重要性评分）、数据驱动（Spearman相关性降维）和临床驱动（专家意见）方法，最终选定9个关键变量（年龄、性别、BMI、收缩压/舒张压、eGFR、BUN、住院次数、COVID-19感染次数）。模型性能通过AUROC、敏感性、特异性、准确率、F1分数等指标评估，并通过Delong检验比较不同模型的AUROC差异。

 - 研究人群的基线特征 - 

经排除标准后，共纳入104,565例患者。其中，101,870例（年龄（平均值，[SD]），52.6 [17.8]；女性（%），57.4%）患者在随访期间未发生肾脏结局，366例（年龄，64.1 [15.2]；女性，43.7%）患者在1个月内发生AKI，332例（年龄，69.6 [12.7]；女性，46.7%）患者在1个月内发生CKD，1,475例（年龄，64.6 [15.3]；女性，46.2%）患者在1年内发生AKI，1,642例（年龄，69.1 [13.0]；女性，53.8%）患者在1年内发生CKD。与AKI患者1个月预测窗口（65.0 [25.5]）、1年预测窗口（72.2 [23.8]）和非病例组（91.9 [20.9]）相比，CKD患者1个月预测窗口（mL/min/1.73 m2，平均值[SD]，51.8 [20.1]）和1年预测窗口（58.6 [20.3]）内的eGFR最低。一共从EHR中提取了69个变量。

 -预测因子的变量重要性- 

将8种机器学习算法应用于训练数据集，使用所有69个变量进行完整模型训练，分别针对1个月和1年的预测窗口内的AKI和CKD，共计得到32个模型。使用缩放变量重要性（VI）评分进行评估，在1个月和1年的预测窗口中，预测AKI的最重要变量是前一年的住院就诊次数（1个月窗口的VI为100；1年窗口的VI为100），其次是eGFR（29.0；52.8）和BUN（15.6；33.8）。在1个月和1年的预测窗口中，CKD的前三个变量分别是eGFR（100；100）、肌酐清除率（CrCL）（59.8；35.4）和住院次数（45.0；40.4）。在按变量分类的评估亚组中，除了实验室检查结果和住院相关变量外，以下因素在其各自的类别中也显示出重要性：BMI、收缩压、舒张压、高血压、年龄、性别和前一年COVID-19感染人数。

 - 模型开发 - 

基于模型驱动、数据驱动和临床驱动方法，作者将变量（特征）的数量从69个减少到3个（分别为69、31、15、12、9和3），并分别评估每组ML性能。前4个ML模型的特征和性能列表如图4所示。具体而言，在9个特征时，XGBoost模型在预测1年内AKI、1个月内AKI和1年内CKD方面表现出最佳性能。随机森林模型在9个特征下预测1个月内CKD的效果也最好。然后选择在9个特征处具有最佳AUROC的模型来评估准确性、F1分数、灵敏度和特异性。这些模型展现了良好的性能，在所有评估指标上均未出现显著下降，甚至优于一些包含9个以上特征的模型。因此，作者为最终模型选择了9个特征，包括5个患者人口统计学信息（年龄、性别、BMI、舒张压和收缩压）、2个实验室检查结果（eGFR (mL/min/1.73 m2)和BUN (mg/dL)以及2个过去1年的病史（COVID-19感染次数和住院次数）。

 - 模型评估 - 

总体而言，四种机器学习模型——AdaBoost、XGBoost、神经网络和随机森林——在使用9个选定特征预测四种结果时表现出色。模型选择主要以AUROC为指导。此外，还寻求在其他标准（包括准确度、F1分数、灵敏度和特异性）之间取得平衡的性能，以确定最终模型。选择XGBoost来预测(1) 1个月窗口内的AKI发病率，AUROC为0.803（95% CI：0.770–0.835），准确度为0.749（0.728–0.771），F1分数为0.848（0.829–0.867），灵敏度为0.751（0.732–0.771），特异性为0.775（0.756–0.793）；(2) 1年窗口期内AKI发生率，AUROC为0.799（0.777～0.822），准确度为0.740（0.727～0.760），F1得分为 0.816（0.798～0.834），敏感度为0.746（0.723～0.769），特异度为0.747（0.724～0.771）；(3) 1年窗口期内CKD发病率，AUROC为0.894（0.879～0.910），准确率为0.832（0.815～0.848），F1得分为0.883（0.870～0.899），敏感度为0.841（0.821～0.855），特异度为0.803（0.789～0.818）。选择随机森林对1个月窗口期内CKD发病率进行预测，AUROC为0.896（0.864～0.928），准确率为0.841（0.822～0.858），F1得分为0.909（0.881～0.924），敏感度为0.842（0.821～0.864），特异度为0.828（0.803～0.823）。

 - 网页应用程序 - 

为促进其在临床环境中的应用，作者开发了一个名为AIBI APP的网页应用程序，该应用程序整合了最终模型，用于预测1个月或1年内的AKI和CKD。用户可以通过输入9个选定变量的相应值来获取预测结果（高/低风险）。可通过以下链接访问该应用程序：https://zackzhang1993.shinyapps.io/aibi_app/。

研究证实，基于大规模国家EHR数据和机器学习模型（XGBoost、随机森林）可高效预测疫情后的AKI和CKD风险，其中COVID-19感染史是关键预测因子。最终模型在简化变量后仍保持高判别性能（AUROC>0.8），且通过网页应用实现了临床转化。

 - END -