摘要：急性肾损伤（AKI）是住院患者常见的危急重症，发病率高、死亡率高，目前尚无特效治疗方法，早期识别AKI高危患者是防治AKI、改善预后的关键。近期，北京大学第一医院联合国内多家医院团队，在住院患者临床大数据的基础上开发并验证了中国首个住院患者AKI实时预测模型，

导语

研究设计

一项多中心研究，纳入了来自北京大学第一医院、四川省人民医院、哈尔滨医科大学第二附属医院、北京密云区医院、太原中心医院的161,876例住院患者。采用北京大学第一医院住院患者（n=47,750）的电子病历数据（EHR），包括人口统计学数据、诊断、生命体征、实验室检测和临床干预措施，通过机器学习的方法对数据集进行建模，预测患者未来24、48、72小时内发生AKI和严重AKI（AKI 2-3期）的风险，然后基于北京大学第一医院患者进行预测模型内部验证（n=17,074），基于另外4家医院患者进行预测模型外部验证（n=97,052）（图1）。

图1 模型推导、内部验证和外部验证队列流程图

研究结果

患者基线特征

【模型推导队列和5个验证队列的人口统计学特征有所不同（表1）】

模型推导队列（研究中心1）患者平均年龄59.1±16.3岁，43.7%为女性，内部验证队列（研究中心1）患者特征与推导队列相似。

与模型推导队列相比，研究中心2和研究中心3的外部验证队列患者临床病情更严重，入住 ICU 的患者比例更高（研究中心1、2和3：3.3%vs. 4.8%vs. 8.6%）。

与模型推导队列相比，研究中心4和研究中心5的患者心内科住院比例更高（研究中心1、4、和5：41.2%vs.61.4%vs. 71.1%），手术比例较低（研究中心1、4和5：35.7%vs.14.2%vs. 17.3%）。此外，研究中心4的患者入住 ICU 的比例远低于推导队列（研究中心1，4：3.3%vs. 1.6%）。

既往临床疾病状况方面，在6个队列中，研究中心3的患者患慢性肾脏病 (CKD) 的比例最高，入院时的平均估算肾小球滤过率 (eGFR) 最低，尿蛋白阳性率最高。

【在整个队列中，AKI的总发生率为5.39%（n=8721），其中严重AKI占所有AKI患者的41.4%】

在模型推导队列（n=47750）中，1739（3.6%）例患者在住院期间发生AKI，652（1.4%）例住院期间发生严重AKI。

内部验证队列（n=17,074）中AKI（4%）和严重AKI（1.6%）的发生率与模型推导队列中相似。

在外部验证队列（n=97,052）中，AKI和严重AKI的发生率分别为3.7~9.1%和1.4~3.4%。

按AKI状态分层分析人口统计学数据发现，与无 AKI 的患者相比，发生 AKI 的患者以年龄较大、临床病情较重且 ICU 入住比例更高为主要特征，且基线患有慢性肾脏病（CKD） 的比例更高，入院时血清肌酐、尿素血尿素氮水平更高，尿蛋白阳性率更高，炎症状态更严重，住院时间更长，在所有6个队列中的住院死亡率均更高。

表1 患者基线特征

AKI：急性肾损伤，ICU：重症监护病房，Scr：血清肌酐，eGFR：估算的肾小球滤过率，BUN：血尿素氮，ALT：丙氨酸转氨酶，AST：天冬氨酸转氨酶，RRT：肾脏替代疗法。

site1：北京大学第一医院，site2：四川省人民医院，site3：哈尔滨医科大学第二附属医院，site4：北京密云区医院，site5：太原中心医院。

在推导队列中的模型性能

该模型在模型推导队列中预测未来24、48和72小时内发生AKI的AUC分别为0.92（95%CI，0.90~0.93）、0.91（95%CI，0.90~0.92）和0.91（95%CI，0.90~0.91），发生严重AKI的AUC分别为0.95（95%CI，0.94~0.97）、0.95（95%CI，0.94~0.96）和0.94（95%CI，0.94~0.95）。

在验证队列中的模型性能

研究通过直接将预测模型传输并安装到验证队列目标医院来评估模型的性能，并进一步在患者中进行了模型重建、优化，优化后的模型在各中心住院患者中预测其未来24、48、72小时内发生AKI的AUC分别为0.82~0.91、0.81~0.90、0.79~0.87，预测未来24、48、72小时内发生严重AKI的AUC分别为0.89~0.96、0.88~0.95、0.85~0.92。

图2 模型在各中心住院患者中预测其发生AKI和严重AKI的AUC曲线

A：AKI在24、48、72 h内的AUC曲线；B：严重AKI在24、48、72 h内的AUC曲线；

AKI：急性肾损伤，AUC：曲线下面积，AUC值越接近1，表示分类器的性能越好。

site1：北京大学第一医院，site2：四川省人民医院，site3：哈尔滨医科大学第二附属医院，site4：北京密云区医院，site5：太原中心医院。

预测模型的临床解释

最终纳入20个临床常用指标作为特征变量，SHAP图（图3）显示了患者特征对预测模型输出的影响，SHAP值大于0表示AKI风险增加，较高的SHAP 值表示AKI风险更高。研究发现前5个特征与AKI发病率呈正相关，包括血清肌酐（Scr）的最新变化率（平均绝对SHAP值0.058）、利尿剂的使用率（0.026）、淋巴细胞的百分比（0.021）、ICU的入院率（0.019）和人白蛋白的使用率（0.015）。

图3 48 h内AKI预测模型中临床特征的模型可解释性分析

A：在AKI的预测模型中包含的20个特征的SHAP总结图。内部验证数据集中的每个样本都表示为每个特征的一个点。点根据每个样本的特征值进行着色，并垂直累积以描述密度。

B：平均绝对SHAP值汇总图，表示每个特征对AKI预测的平均影响。

Scr：血清肌酐，ICU：重症监护室，NE：中性粒细胞，BUN：血尿素氮，SHAP：可解释性机器学习（Shapley Additive exPlanations）。源数据以源数据文件的形式提供。

研究结论

研究结果表明，该模型能够准确预测普通住院患者近72小时内发展为AKI的风险，在五个独立、不同地区的医院中验证时显示出一致的高水平预测能力。该预测模型不仅能够帮助非专科临床医生及早识别高风险患者，还能提供对主要风险因素的个性化解释，为早期干预提供了关键窗口，辅助医疗决策。AKI预测模型可有效提高我国AKI防治水平，建议全国推广。

参考文献：

1.Zhang Y, Lv J, Yang L,et al. Development and validation of a real-time prediction model for acute kidney injury in hospitalized patients. Nat Commun. 2025 Jan 2;16(1):68. doi: 10.1038/s41467-024-55629-5.

医脉通是专业的在线医生平台，“感知世界医学脉搏，助力中国临床决策”是平台的使命。医脉通旗下拥有「临床指南」「用药参考」「医学文献王」「医知源」「e研通」「e脉播」等系列产品，全面满足医学工作者临床决策、获取新知及提升科研效率等方面的需求。仅供HCP观看。

来源：医脉通肾内频道