使用机器学习算法预测腹膜透析患者的主要心脑血管事件（MACE）

这对居家透析患者为何重要

对于许多肾功能衰竭患者来说，腹膜透析让他们能够在家中而非在诊所接受治疗，获得更大的自主性。然而，这类患者面临严重心血管并发症（如心肌梗死和中风）的高风险。本研究提出了一个具有现实意义的问题：我们能否利用现代计算技术及早识别出哪些腹膜透析患者最有可能发生严重心脏事件，从而让医生在灾难发生前采取干预？

研究对象与测量内容

研究人员回顾性分析了2010年至2016年间在中国两家医院开始接受腹膜透析的1,006名成人的病历。所有患者均至少接受了三个月的此项治疗。透析开始时，研究团队为每位患者收集了86项信息，包括年龄、伴随疾病（如糖尿病或充血性心力衰竭）、血压、实验室检测、心脏超声结果以及用药情况。随后对所有人随访长达约十年，观察谁出现了作者所称的“主要不良心脑血管事件（MACE）”，包括心肌梗死、严重胸痛、中风、心脏骤停、因心力衰竭或危险心律失常住院，以及任何原因导致的死亡。

用机器学习进行更智能的预测

研究团队没有仅依赖传统统计方法，而是使用了三种能够在大数据中发现复杂模式的机器学习方法：随机森林（Random Forest）、XGBoost和AdaBoost。他们将数据划分为训练集和测试集，并在另一家医院的患者中进行外部验证。目标是评估每种方法在预测在任意时间点、在开始腹膜透析后一年内以及五年内发生重大事件方面的表现。模型的优劣以一种标准评分——曲线下面积（AUC）来衡量，AUC越接近1.0表示在区分高风险与低风险患者方面越准确。

模型揭示的风险要点

在整个随访期间，主要开发组中606名患者有409名出现了主要事件。在预测这些总体事件时，随机森林表现最佳，AUC约为0.80，表明它在大多数情况下能够正确区分高风险和低风险患者。在这一长期视角下，最具影响力的指标包括甲状旁腺激素水平（与骨骼和血管健康相关）、既往充血性心力衰竭病史和年龄。当关注首年内的事件时，仅有114名患者受影响，XGBoost以AUC 0.86领先。在这一时间窗内，保护性胆固醇（HDL）、年龄和血钙水平突显出来。对于五年期预测，随机森林再次表现最好，年龄、血肌酐和估算肾小球滤过率（反映残余肾功能和透析充分性）成为重要因素。

检验可靠性与真实世界表现

为确保结果不是偶然，作者将机器学习工具与更常见的生存分析方法（Cox回归）进行了比较，并在另一家医院的400名患者群体中进行了外部验证。新方法识别出的关键风险因素与传统分析得到的结果高度一致，但机器学习模型在按风险对患者排序方面总体表现更好。在外部医院群体中，主要模型仍表现良好，能在约七成患者中正确分类结果。研究还强调了其他相互关联因素的重要性——如总体疾病负担、体重、血脂、白蛋白（营养状况指标）、尿量和血压——这些因素共同影响这一脆弱人群的心血管风险。

对患者与护理团队的意义

作者总结认为，精心设计的机器学习工具可帮助医生在腹膜透析开始之初评估哪些患者在未来数年内面临较高的严重心血管事件风险。年龄始终是重要因素，但与矿物质代谢、血脂、透析充分性和总体健康状况相关的多项指标也起着重要作用——其中许多是可监测和可干预的。尽管该研究属于回顾性，仍需在未来的前瞻性研究中得到验证，但它指向了一个前景：居家透析护理可由后台算法在早期识别高风险者，从而实施有针对性的治疗，延长寿命并减少住院率。

引用: Xu, L., Zhang, Y., Abbas Al-Janabi, A.A. et al. Using machine learning algorithms to predict MACE in peritoneal dialysis patients. Sci Rep 16, 10553 (2026). https://doi.org/10.1038/s41598-026-45362-y

关键词: 腹膜透析, 心血管风险, 机器学习, 肾功能衰竭, 风险预测