2022年 · 第102卷第46期

尿中性粒细胞明胶酶相关脂质运载蛋白（NGAL）是急性肾损伤的生物标志物，已被用于尿试纸试验。然而，关于其在低收入和中等收入国家的使用数据有限，在这些国家诊断急性肾损伤仍然是一个挑战。该研究前瞻性地招募了250例年龄2~18岁的镰状细胞贫血患儿，其中包括185例疼痛（血管闭塞）危象住院的患儿，以及65例在镰状细胞贫血诊所接受常规护理随访的参照患儿。肾脏损伤的定义采用一系列血清肌酐测量和改良的改善全球肾脏病预后组织（KDIGO）对镰状细胞贫血的定义。入学儿童的平均年龄为8.9岁，其中42.8%为女性患儿。在住院患儿中，36.2%发生肾损伤，3.2%死亡。用试纸测定的尿液NGAL水平与标准的酶联免疫吸附法测定尿液NGAL水平有很强的相关性（住院儿童为0.71，常规护理参考群体为0.88）。NGAL水平在肾损伤时升高，并在损伤各阶段显著升高。年龄和性别调整后，接受高危试纸试验（300 ng/ml及以上）的住院儿童发生肾脏损伤的相对风险为2.47，95%CI：1.68~3.61，死亡风险增加7.28倍，95%CI：1.10~26.81。在患有镰状细胞贫血和急性肾损伤的儿童中，尿NGAL水平显著升高，并可能预测死亡风险。

急性肾损伤（AKI）是脓毒症最常见、最严重的并发症，具有较高的病死率和疾病负担。AKI的早期预测是及时干预并最终改善预后的关键。脓毒症患者AKI的预测一直是危重病医学研究的热点。近年来，由于统计理论和计算机技术的发展，机器学习引起了临床医生的关注和认可。该研究旨在建立并验证基于新型机器学习算法的预测模型用于预测危重脓毒症患者的AKI发生。该研究从重症监护室医疗信息集Ⅲ（MIMIC-Ⅲ）数据库中提取脓毒症患者资料，使用Boruta算法进行特征选择，采用logistic回归、k-近邻算法（KNN）、支持向量机（SVM）、决策树、随机森林、极端梯度提升（XGBoost）和人工神经网络（ANN）等机器学习算法和十倍交叉验证的方法进行模型构建。分别从鉴别、校准和临床应用方面评估这些模型的性能。此外，比较基于机器学习模型与序贯器官衰竭评估（SOFA）模型和定制的简化急性生理机能评分Ⅱ（SAPSⅡ）模型的鉴别能力。共纳入3 176例脓毒症危重患者进行分析，其中2 397例（75.5%）在住院期间发生AKI，共选取36个变量进行模型构建，建立logistic回归、KNN、SVM、决策树、随机森林、ANN、XGBoost、SOFA和SAPSⅡ评分等模型，得到受试者工作特征曲线下面积分别为0.736、0.664、0.735、0.749、0.779、0.755、0.821、0.646和0.702。在所有模型中，XGBoost模型在鉴别、校准和临床应用方面的预测性能最好。因此，该研究认为机器学习模型是预测脓毒症患者AKI的可靠工具。其中，XGBoost模型具有最佳的预测性能，可用于协助临床医生识别高危患者并实施早期干预以降低死亡率。