急性胰腺炎（AP）是全球住院治疗的主要原因之一，急性肾损伤（AKI）作为其常见并发症，显著增加了患者的死亡率。研究表明，重症AP患者中，AKI的发生率可高达80%，且其死亡率较无AKI患者高出约5-6倍。因此，准确预测胰腺炎相关急性肾损伤（AP-AKI）重症患者的住院死亡率对于早期识别高危患者具有重要意义。传统的Logistic回归（LR）模型广泛应用于死亡率预测中，但其在临床实际应用中存在灵敏度和特异性不足等问题。随着机器学习技术的发展，本研究旨在比较机器学习算法（如随机森林RF和极限梯度提升XGBoost）与LR模型在AP-AKI患者住院死亡率预测中的表现，进而开发并验证基于机器学习的预测模型。

本研究为回顾性队列研究，使用来自三个临床数据库的数据，包括Medical Information Mart for Intensive Care-IV（MIMIC-IV）、eICU Collaborative Research Database（eICU-CRD）及湘雅医院的临床数据。MIMIC-IV和eICU-CRD数据库中的AP-AKI患者数据用于模型的训练，湘雅医院的AP-AKI患者数据用于外部验证。研究选取了包含人口学特征、实验室指标、生命体征、合并症及治疗需求等因素作为潜在预测变量，并通过递归特征消除（RFE）算法进行特征筛选。随后使用十折交叉验证分别构建了LR、RF和XGBoost模型，比较它们在预测AP-AKI患者住院死亡率中的表现。

研究共纳入了1089例来自MIMIC-IV和eICU-CRD数据库的AP-AKI患者用于训练，及176例来自湘雅医院的患者用于外部验证。训练集与验证集的住院死亡率分别为13.77%和54.55%。在训练集中，XGBoost模型的ROC曲线下面积（AUC）为0.941（95% CI 0.931-0.952），显著高于LR模型（AUC=0.788）和RF模型（AUC=0.894），且其Brier分数为0.039，为所有模型中最低。在外部验证集中，XGBoost模型的AUC为0.724（95% CI 0.648-0.800），其预测表现仍较为理想，但与LR和RF模型相比无显著差异。研究还发现，影响住院死亡率的主要预测因素包括年龄、中性粒细胞、红细胞分布宽度（RDW）、血尿素氮（BUN）、白蛋白、收缩压（SBP）、肾脏替代治疗（RRT）和血管活性药物的使用。

外部验证集的AUC特征曲线

本研究开发的XGBoost模型在训练集中表现优于LR和RF模型，具有更好的区分度和校准度，且识别出八个重要的预测因子。然而，由于训练集与验证集之间在患者特征和死亡率等方面存在较大差异，XGBoost模型在外部验证中的表现未显著优于传统模型。因此，该模型的广泛适用性仍需进一步验证。

原始出处：

Machine learning models for mortality prediction in critically ill patients with acute pancreatitis–associated acute kidney injury, Clinical Kidney Journal, Volume 17, Issue 10, October 2024, sfae284, https://doi.org/10.1093/ckj/sfae284