2025年1月2日，《自然·通讯》（Nature Communications）杂志在线发表了北京大学第一医院杨莉教授团队联合国内多家医院团队开发并验证的中国首个住院患者AKI实时预警模型，该模型与电子病历系统有机结合可实时动态预测全院患者发生AKI的风险，有助于临床医生进行精准防控。

该研究由北京大学第一医院肾内科牵头，联合四川省人民医院，哈尔滨医科大学附属第二医院、北京市密云区医院、太原市中心医院共同完成。

研究背景

急性肾损伤（AKI）是住院患者中常见的可能危及生命的临床疾病，给公共卫生系统造成了沉重负担。普通住院患者中AKI的发病率在2%到25%不等，其中很大一部分病例是可以预防和避免的。由于AKI可以发生于临床各个学科的住院患者，因此多数AKI病例是由非肾脏专业医生诊治的，并且由于AKI早期临床表现隐袭，因此容易漏误诊并导致治疗的延误，影响患者预后。准确及时地识别肾损伤高危患者可以为早期干预提供时机，对于AKI的预防至关重要。因此，住院期间AKI的实时个性化预测是减轻AKI负担的关键。

近年来，基于电子病历系统数据和人工智能机器学习的AKI预测模型成为了研究热点。英国、美国的学者针对其国内的住院患者分别开发了实时AKI预测模型，然而这些模型往往参数复杂，难以进行验证和推广。前期我国学者发表的AKI全国流行病学调查结果显示，中国住院患者AKI的发病率和病因构成与英美国家显著不同，并且不同级别医院的医疗资源和医疗实践亦存在较大差异，而AKI预测模型的性能在很大程度上取决于建模队列的人群特征，因此，亟须开发能够适合我国住院患者群体、适用于多种临床环境、简单易推广的中国AKI预测模型。

研究设计

本研究共纳入五家不同地区、不同级别的医院，入选了在研究期间入院且单次就诊期间至少行两次血肌酐检测的患者诊次，共161876例次。研究者基于建模队列共47750患者诊次的电子病历数据，收集了人口学资料、合并症、生命体征、化验指标、用药等数据，从患者入院开始，每6小时进行一次数据收集，采用机器学习的方法进行建模，预测患者未来24/48/72小时内发生AKI及重症AKI的风险，并在五家验证队列中进行模型验证及模型优化。

研究结果

研究建立的AKI实时预测模型纳入了20个临床普遍应用的指标和相关变量（图1），利于在不同级别、不同类型的医院使用。在开发普适性预测模型的基础上，研究者还针对住院患者具特殊性的医院探索模型优化策略，实现了医院个性化预测模型的快速建立，有助于未来模型的精准应用。在五家医院的验证中，预测模型均展示了良好的AKI实时预测效果，其预测未来48小时内发生AKI的AUC达0.81~0.90，预测未来48小时内发生重症AKI的AUC为0.88~0.95，优于既往研究。在最优阈值下，模型在内部验证中可提前72(24~198)小时预测AKI，在外部验证中可提前54~90小时预测AKI。

该预测模型具有临床可解释性，通过纳入特征在不同取值下的SHAP值，使用者可以对模型中各临床指标的AKI风险贡献度进行解读，并且显示相应的阈值（图2）。在实际应用中，该模型不仅可以提示患者未来48小时发生AKI的概率，还可以显示各个临床特征在AKI预测结果中的贡献情况。例如，图3为1例AKI阳性预测患者的模型输出结果，其AKI发生的概率为67%；在该例患者的AKI风险预测中，入住ICU、淋巴细胞百分比较低、中性粒细胞/白蛋白比升高、心率升高等是其AKI发生风险较高的主要临床特征，提示重症状态和感染是该患者AKI高风险的主要危险因素，从而为临床医生提供提示。

使用利尿剂、入住ICU均会增加AKI的风险；心肌酶或者PCT升高的患者，更容易出现AKI；而淋巴细胞比例越低，比如严重细菌感染状态下，AKI风险越高；基线红细胞计数过低或过高，比如贫血，或脱水状态下，AKI险均增加。

模型预测该患者发生AKI的概率为67%，入住ICU，淋巴细胞百分比较低，中性粒细胞/白蛋白比升高，心率升高是AKI预测风险较高的主要临床特征。

展望

本研究开发的针对全院住院患者的AKI实时预测模型，可以在患者住院期间动态预测AKI的发生，对于AKI高危患者提供了预防性干预的时间窗，有可能避免或减轻进一步的肾损伤，从而改善患者的预后。前期的流行病学调查显示，由于AKI散在分布、医生对高危患者认识不足、医疗资源分布不均等问题，我国临床实践中的AKI漏误诊现象比较突出，因此风险预测在AKI预防中的作用凸显重要。本研究开发的AKI实时预测模型仅纳入20个临床常见特征，便于应用，也易于在各种临床环境及不同级别的医院中推广。在未来，有望通过将模型嵌入电子病历系统实现对住院患者AKI风险的实时预测，其广泛应用可以为AKI的预防提供一种有效、便捷、经济的方法。

研究者说

本研究首次在中国开发并验证了针对全院住院患者的AKI实时预测模型。研究采用了中国五个不同地区医院的数据，涵盖了不同地域和不同级别医院的多样化患者群体，不仅包括严重的、病情复杂的患者，也包括常见于地方医院的普通患者，因此开发的预测模型具有较强的普适性；此外，模型仅纳入20个临床常用特征，可以有效减少因指标缺失对模型应用性能的影响，具有较强的可推广性。

在模型的外部验证中，不同验证队列人群特征的差异是影响模型验证效果的重要因素，通过从各验证队列中随机抽取少量数据进行模型优化，构建优化模型（refitted model），再在验证队列中其余的数据中验证，模型的预测性能及效果均有显著提高。在训练数据集中加入不同验证中心的少量数据可以增加数据的多样性和互补性，让模型学习到不同人群特征的差异，从而提高模型性能。未来，在目标医院的患者群体中构建refitted model，对模型进行医院个性化调整，是使模型在不同医院临床实践中快速落地的有效方法。

AKI患者广泛分布于医院不同学科，其临床基础疾病和诊疗特征复杂多样。应用AKI实时预测模型对住院患者进行动态预测，有可能第一时间识别AKI高危患者，为临床医生提供早期干预的时间窗口。通过及时进行预防性干预，如避免或合理使用具有潜在肾损伤风险的药物，优化容量状态，纠正贫血，选择合适的手术时机等，有可能避免或者减轻肾损伤的发生，改善患者的预后。课题组进一步将开展前瞻性干预研究，为AKI模型的推广和应用奠定更加坚实的研究基础。