WCN'2026前沿汇总 | 3个AI预测模型,开拓慢性肾脏病智能诊疗新路径

中青年健康人群通常不被视为CKD高危群体，并缺乏针对性的早期防控策略。该研究利用人工智能机器学习技术，基于年度健康体检数据，构建AI驱动的预测模型，评估20~65岁表观健康人群5年后发生CKD的风险并识别关键危险因素，为健康促进与早期干预提供支持。

研究方法

该回顾性队列研究数据来源于2017—2022年日本劳动者年度健康体检。包含20~65岁人群，排除基线eGFR<60 mL/（min·1.73m²）和/或尿蛋白≥（1+）者，最终合格受试者9273例。

主要终点：5年后（2022年）发生CKD[eGFR<60 mL/（min·1.73m²）和/或尿蛋白≥（1+）]。

预测变量：年龄、性别、BMI、ΔBMI、平均血压、肝功能指标、基线eGFR、eGFR斜率、血脂、尿酸、糖化血红蛋白、血红蛋白、生活习惯（吸烟、饮酒、运动、早餐、睡眠）、用药史及心血管病史等。

模型构建：按7：3分为训练集与测试集，采用Python构建4种监督学习模型：逻辑回归、支持向量机、随机森林、XGBoost；以准确率、AUC评估性能，并验证模型通用性。

研究结果

9273例受试者中，5年CKD发生率为11.2%（1041例）；平均年龄36.3岁，男性占93%，基线eGFR：84.2±13.3 mL/（min·1.73m²）。

模型性能：4种算法均实现高准确率，随机森林表现最优（训练集准确率0.99，测试集1.00，AUC=1.00）；外部队列验证（N=7974）显示所有模型准确率均>0.928，通用性良好（图1）。

图1 外部验证队列中4种算法模型的准确率

关键危险因素：基线eGFR、平均血压、BMI、血脂是预测CKD发生的最重要变量；糖化血红蛋白及生活习惯在本健康人群中预测贡献度较低。

研究结论

本研究成功构建适用于20~65岁表观健康人群的5年CKD发生AI预测系统，具备高预测精度与良好通用性。基线eGFR、平均血压、BMI、血脂异常是核心预测因子。该系统可可视化个体风险，为健康人群提供精准的CKD早期预防指导与健康促进建议。

4期CKD患者进展为终末期肾病（ESRD）的风险极高。该研究基于台湾一家三级医疗中心与一家区域教学医院的CKD 4期患者数据，旨在识别CKD 4期进展至ESRD的关键危险因素，并构建机器学习模型预测CKD4患者3年内启动透析的风险。

研究方法

该研究为回顾性队列研究，纳入2016年1月1日—2023年12月31日期间5508例CKD 4期患者[纳入标准为为15 mL/（min·1.73m²）≤eGFR<30 mL/（min·1.73m²）]。

预测因子：年龄、性别、BMI、职业、嚼槟榔、糖尿病、高血压、心血管疾病、心力衰竭、贫血、蛋白尿、总胆固醇、LDL‑C、甘油三酯、高甘油三酯血症、血红蛋白、尿酸、血钠、血磷、血钙、血钾。

模型构建：数据按7：3随机分为训练集与测试集；采用SASEM15.2构建5种算法模型：决策树、随机森林、人工神经网络、逻辑回归、支持向量机。

模型评估：重复10折交叉验证，以准确率、精确率、灵敏度、特异度、F1‑score、AUC评估性能；用Python3.10通过SHAP值分析变量重要性。

研究结果

随访结局：3年随访期内，3323例CKD 4期患者（60.33%）进展至透析，2185例患者（39.67%）病情稳定或改善。

在5种算法模型中，人工神经网络在测试集表现最优（AUC=0.757，F1‑score=0.762），整体平衡性能最佳（表1）。

表1 各模型平均表现得分

关键预测因子（SHAP排序）：血磷水平、年龄、心力衰竭、蛋白尿、性别是推动CKD 4期患者进展至透析的最强影响因素（图2）。

图2 通过SHAP排序的ESRD进展关键预测因子

研究结论

血磷、年龄、心力衰竭、蛋白尿、性别是CKD 4期患者进展至透析的核心预测因子。该研究构建的机器学习预测模型可稳健地早期识别高危患者，辅助个体化治疗规划与医疗资源配置，支持通过前瞻性干预延缓透析启动时机并改善患者预后。

CKD-aP是困扰维持性血液透析（MHD）患者的常见症状，目前缺乏有效的早期识别预测工具。江苏省人民医院毛慧娟教授团队组织开展了一项江苏省多中心横断面研究，识别MHD患者发生CKD-aP的危险因素，并分别采用逻辑回归与机器学习方法构建预测模型，用于早期风险评估。

研究方法

该项基于江苏省多个中心的横断面研究，覆盖全省327个血液透析中心，共纳入38 952例MHD患者（其中3379例合并CKD-aP）。该研究中训练集与验证集的比例为5：1，通过AUC-ROC、SHAP值评估逻辑回归传统模型和CatBoost等3种机器学习模型算法的性能。

研究结果

传统逻辑回归模型共筛选出14个显著影响因素（P<0.05），其中正向相关因素11个：年龄、男性、总钙、钙磷乘积、血液透析滤过频次、透析后心率、镁、磷、spKt/V、甘油三酯、血管通路类型；负向相关因素3个：血红蛋白、HP时长、尿酸。该模型在训练集中的AUC为0.640，验证集为0.636（图3）。

图3 传统逻辑回归模型的AUC

机器学习模型（CatBoost）在验证集中的AUC为0.804，在3种机器学习算法中表现最优（图4）。SHAP分析提示，β2微球蛋白是重要独立危险因素。排名前10的关键预测因子分别为：身高、总铁结合力、β2微球蛋白、血红蛋白、白细胞、镁、透析时长、血细胞比容、血管通路、钙磷乘积。

图4 机器学习模型的AUC

研究结论

该研究成功构建适用于中国MHD患者的CKD-aP风险预测模型。与传统逻辑回归模型相比，机器学习模型可挖掘更多传统统计未发现的关键危险因素，为临床早期识别高危患者、开展针对性干预提供依据。