利用AI技术，改善对患者肾脏的长期预后预测

IgA肾病的长期预后风险预测一直是医学界的难题。近日，中国学者在肾脏病顶级期刊《美国肾脏病杂志》(AJKD) 上发表论文，介绍了如何利用AI技术，改善对IgA肾病的长期预后风险预测。这是全球第一篇发表在肾脏病顶级期刊上的AI疾病预测论文。

中国大约有1.2亿慢性肾病（CKD）患者。其中有一种最常见的肾病，它的病因尚不完全清楚，且其远期预后非常不理想。它就是 IgA 肾病（IgA nephropathy，IgAN），是全球范围内发病率最高的原发性肾小球疾病之一，在亚洲人群中发病率尤高。

IgA肾病的远期预后不佳，10‑25 年内 30‑40% 的患者会进入终末期肾病（肾衰竭）。终末期肾病患者通常需要进行透析或肾移植治疗，人均治疗花费10-15万元/年，这给个人、家庭和社会带来了沉重的负担。因此，如何准确地对IgA肾病患者的预后风险进行预测，对于指导患者的个体化预防、治疗和管理，以及相关临床研究具有重要的意义。

近日，国家肾脏疾病临床医学研究中心（东部战区总医院）、平安医疗科技、IBM中国研究院联合在肾脏病顶级期刊《美国肾脏病杂志》(AJKD)上发表论文《IgA肾病的肾脏终点预测和风险分层》，介绍了如何利用 AI 技术，改善对IgA肾病的长期预后风险预测。陈听雨、李响、李映雪、夏尔玉、秦勇、梁少姗、徐峰、梁丹丹、曾彩虹、刘志红等人是论文的贡献者。

研究人员将 AI 算法与统计分析方法相结合，建立了一套精准、可解释、临床实用的 IgA 肾病患者预后风险预测系统。据悉，这是全球第一篇发表在肾脏病顶级期刊上的 AI 疾病预测论文。

长期随访患者数据，机器学习方法构建模型

既往研究发现影响 IgAN 预后的多项危险因素，包括基线尿蛋白 > 1g/d、高血压、肾功能不全、高尿酸血症、男性、严重病理评分等，并在此基础上建立了多种预测 IgAN 预后的评分系统，但这些评分系统受制于样本量小，病理评分标准不一， 纳入特征少以及评分临床实用性欠佳等缺点。

本文致力于使用2047 例中国长期随访 IgAN 患者数据，借助机器学习方法，建立结合临床及肾脏病理的预后风险预测模型及风险分层系统，使医生可快速准确地预估患者的肾脏预后风险。

数据及实验设计：

回顾性分析采用来自中国 18 个临床中心的 1997 年 1 月～2010 年 6 月住院经肾活检确诊为 IgAN 患者的临床及随访资料。数据涵盖了患者的人口学特征、生理指标、病理指标等36个变量。临床结局定义为 “eGFR 较基线下降≥50% 或 终末期肾病（end-stage kidney disease, ESKD)” 。

根据以上研究对象及观察指标建立的预测模型，可以在患者活检时预测以上临床结局的风险，预测时间窗口为活检后 5 年。

AI融合统计模型，兼顾模型精准度和实用性

XGBoost精准预测：

本文首先使用XGBoost方法进行了建模。

目前为止，XGBoost 方法在中小型结构 / 表格数据上已取得了无数卓越的成绩。其作为一种基于决策树的集成机器学习算法，使用梯度上升框架，适用于分类回归问题，速度快，效果好。

本文选取 XGBoost 作为预测模型，除了其精准的预测能力外，还有一个更重要的原因，即 XGBoost自动处理缺失值的能力。缺失值在医疗数据中一直是个无法避免又棘手的问题。由于大部分机器学习模型都需要较多的变量作为输入，在实际临床应用时很难将所需变量搜集完整。这一点阻挠了机器学习算法在临床实践中的广泛应用。XGBoost 方法自动学习缺失值的分类方向，从而摆脱了在实际应用时缺失值造成的束缚。

本文输出了重要性排名前十的变量（如下表）。在 NJIgAN‑RSS 系统中，用户可以根据实际情况填入这些变量的信息，获取预测的风险概率。

Stepwise Cox 简化评分：

为了进一步增强系统在临床实践中的实用性，本文进一步构建了无需借助计算机便能使用的打分模型。

Stepwise Cox 作为一种传统的回归分析模型，每个被选择的变量都有一危险比（hazard ratio，HR），其统计学显著性可用 p 值来评估，临床解释性能佳，故本文利用该方法建立简化评分模型。

Stepwise Cox 在建模过程中自动进行特征选择，但由于其采用的逐步递归特征选择非常容易陷入局部最优解，所以直接基于原始的 36 个变量进行建模所得到的模型效果并不理想。

本文基于了 XGBoost 给出的对于模型分类效果具有显著作用的 10 个变量作为初始变量，在此基础上进行Cox 回归建模， 从一定程度上减小了局部最优带来的弊端。

本文通过 CHAID 方法进一步将 stepwise Cox 选出的变量进行离散化，将 Cox 回归系数作为打分模型权重，得到了最后的打分模型。打分最终纳入了 3 个变量：肾小管萎缩/间质性纤维化比例(%) （基于牛津分型分为 T1；T2）、球性硬化比例＞25%、尿蛋白＞1g/d， 最终将患者 3 个变量对应的得分相加，即得到患者的风险分层评分（risk stratification score，RSS），进一步将 0‑1 分为低危组，2 分为中危组，3‑4 分为高危组。

模型评价结果

XGBoost 模型在训练集及验证集上的 C‑statistics 分别为 0.89、0.84。本文对比了 XGBoost 以及其他机器学习、统计方法的区分度性能，如下表。

简化版评分模型在训练集上的 C‑statistic为 0.81 (95% CI, 0.76‑0.86)，验证集为 0.80 (95% CI, 0.75‑0.84)。现有评分模型ARR 在本文训练集上的 C‑statistic为 0.71 (95% CI, 0.65‑0.77)，验证集为 0.74 (95% CI, 0.69‑ 0.78)。可见，本文所建立的评分模型与现有模型相比，在预测精准度上具有显著的提高。

模型一致性结果如下图所示，Hosmer‑Lemeshow 检验所得统计值 1.144，p‑value=0.8，说明此模型一致性结果较高。

下图展示了风险得分为 0‑4 分人群的 Kaplan‑ Meier 曲线（ESKD 及联合结局）。Log‑rank test 的结果（P < 0.001）说明发现利用本文的评分模型对 IgA 肾病病人的预后风险进行了很好的分层。

结论

本文建立了 IgAN 患者的肾脏预后风险预测系统 NJIgAN‑RSS，包含了精准的 XGBoost 概率预测模型以及简化版的 SSM打分模型，并对其进行了外部验证。与现有的 ARR 模型相比取得了更加精准的预测性能。该项研究推动了 AI 算法在疾病预测方面的应用。

NJIgAN‑RSS 系统已在网上公开发布（http://njszb. gdpcloud.com/），用户输入各项参数后，便可获得患者五年内的预后风险概率以及风险等级。

肾脏预测长期分层

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。