XGBoost 与逻辑回归在预测老年重症急性肾功能衰竭患者90天死亡率中的应用

这项研究为何对家庭和患者重要

急性肾功能衰竭是肾脏功能的突发丧失，常见于重症监护病房的老年人。它可以将一种严重疾病演变为危及生命的危机，许多家庭和医生难以判断哪些患者在接下来的数周内死亡风险最高。本研究提出了一个简单但重要的问题：现代数据驱动工具能否帮助医生更准确地识别哪些老年严重肾衰竭患者在未来三个月内风险最大，从而使护理更有针对性？

研究对象与目标

研究者分析了2008年至2019年间在波士顿某重症监护病房收治并发生严重急性肾功能衰竭的7,500名60岁以上患者的病历记录。其中约1,150名患者在90天内死亡，这突显出该病在老年人中的致死性。利用这批真实世界的医院数据，团队比较了两种将床边信息（如年龄、血压、尿量和病情严重度评分）转化为三个月后生存预测的方法。

两种“解读”数据的不同方式

第一种方法——逻辑回归，是医学研究中长期使用的统计工具。它寻找危险因素与结局之间的线性关系，受青睐的原因在于医生可以直观地看到每个因素（如年龄或血压）如何推动风险上升或下降。第二种方法称为XGBoost，属于更新的机器学习工具家族。它不是用一条直线，而是构建许多小的决策树，能够捕捉数据中复杂的、非线性的模式——例如只有在多个风险因素同时存在时风险才急剧上升。理论上，XGBoost可以从相同的医院信息中挤出更多预测能力，但其一目了然的可解释性较差。

模型揭示的风险因素

两种方法都使用相同的经严格清洗的数据，并通过重复交叉验证来避免过拟合。若干特征在90天死亡的关联中持续显著：入ICU时的病情严重度（用APSIII评分衡量）、尿量减少、年龄较大、血氧低以及需使用升压药（血管加压药）。发生并转移的晚期癌症也显著增加死亡概率。这些因素共同描绘出身体在多方面同时承受压力的脆弱患者图景。

哪种预测方法表现更好

两种模型对比显示，均能较好地区分生存者与死亡者。但XGBoost表现略优：在常用的准确性度量（曲线下面积）上得分为0.851，而逻辑回归为0.838。决策曲线分析（一种评估模型在诸如是否加强治疗等实际决策中有用性的方式）表明，XGBoost在更广泛的临床情景下带来更高的净收益，而且总体预测误差更小。为使这一复杂模型在临床更易理解，研究团队还为个体患者创建了“分解”图，显示每个因素如何将其预测风险向上或向下推动。

这对临床护理可能意味着什么

对普通读者而言，核心信息是计算机现可帮助医生以相当的准确度估计哪些老年ICU急性肾衰患者在三个月内死亡风险最高。在本研究中，较新的机器学习方法在许多健康因素以复杂方式相互作用时略胜一筹。尽管如此，两种工具都依赖医院已采集的信息——如尿量、年龄、病情严重度、血压及是否存在晚期癌症——旨在支持而非取代临床判断。如果在不同医院进一步验证，这类模型可促进更及时的预后沟通、帮助优先分配紧缺的重症资源，并促使对那些肾功能及整体健康更不稳定的患者进行更密切监测和个体化治疗。

引用: Zeng, J., Zhu, Y., Ye, F. et al. ‌Application of XGBoost and logistic regression in predicting 90 days mortality for elderly severe acute renal failure patients. Sci Rep 16, 7077 (2026). https://doi.org/10.1038/s41598-026-37828-w

关键词: 急性肾功能衰竭, 老年ICU患者, 死亡率预测, 医学中的机器学习, 逻辑回归 vs XGBoost