基于機器學習預測血液透析動靜脈通路一年臨床成功使用的研究

《npj Digital Medicine》：Predicting 1-year successful clinical use of an arteriovenous access for hemodialysis using machine learning

【字體： 大 中 小 】 時間：2025年12月05日 來源：npj Digital Medicine 15.1

　　

對于終末期腎病患者而言，血液透析是維持生命的重要治療手段，而動靜脈（AV）通路則是實現長期血液透析的"生命線"。然而臨床實踐表明，高達60%的AV通路可能因成熟不足或并發癥而無法使用，兩年累計通暢率不足70%。這種高失敗率不僅導致患者需要反復手術，還增加了感染、血栓等風險，給患者帶來沉重負擔。目前缺乏能夠在術前準確預測AV通路長期成功使用的工具，使得臨床醫生在規劃透析通路時面臨巨大挑戰。

在這項發表于《npj Digital Medicine》的研究中，研究團隊利用血管質量倡議（VQI）數據庫的大規模臨床數據，開發了一套機器學習算法，旨在術前預測AV通路一年成功臨床使用的可能性。該研究納入了2011年至2024年間接受手術AV瘺管或移植血管創建的59,674例患者，最終28,304例（47.4%）患者實現了指數AV通路一年成功臨床使用。

研究團隊采用了多種關鍵技術方法：從VQI數據庫中提取111項術前特征構建預測模型；使用6種機器學習算法（XGBoost、隨機森林、樸素貝葉斯、RBF支持向量機、多層感知器人工神經網絡和邏輯回歸）進行模型訓練；采用10折交叉驗證優化超參數；通過隨機過采樣示例（ROSE）處理類別不平衡問題；使用接受者操作特征曲線下面積（AUROC）作為主要評估指標。

研究結果顯示，在僅使用術前變量的情況下，XGBoost模型表現最佳，AUROC達到0.90（95% CI 0.89-0.91），準確率為82%。相比之下，邏輯回歸的AUROC僅為0.70。模型在校準曲線中也表現出良好的一致性，Brier得分為0.08。

敏感性分析表明，加入術中特征并未改變模型性能（AUROC 0.90，p=0.90），而加入術后特征僅邊際改善性能（AUROC 0.91，p=0.41）。對于次要結局，XGBoost模型在術前和術中階段對一年AV通路血栓形成和再干預的預測AUROC分別為0.86和0.88。

最重要的預測因子分析顯示，一年AV通路成功使用的十大預測因子包括9項術前特征（計劃流入動脈和流出靜脈、計劃通路類型、術前超聲靜脈映射、年齡、心律失常、既往AV瘺數量、慢性阻塞性肺疾病[COPD]和充血性心力衰竭[CHF]）和1項術后特征（術后即刻并發癥）。其中，流入動脈和流出靜脈直徑較大、選擇瘺管而非移植血管、使用術前超聲靜脈映射預示著成功，而年齡較大、存在心律失常、既往AV瘺數量較少、存在術后即刻并發癥、COPD和CHF則預示著失敗。

亞組分析證實，模型在不同人口統計學和臨床人群中均保持穩健性能，AUROC范圍在0.89-0.91之間，多數群體與少數群體之間無顯著差異。

研究結論強調，這項基于大規模血管特異性臨床登記數據的研究開發了穩健的機器學習模型，能夠僅使用術前數據準確預測AV通路一年成功臨床使用（AUROC≥0.90）。該模型在指導AV通路規劃、監測和咨詢方面具有重要臨床價值，有助于實現個性化護理并可能提高AV通路成功概率。值得注意的是，僅使用術前變量即可準確預測長期AV通路結局，而術中和術后變量僅邊際改善模型性能，這證明了該模型在指導術前決策方面的潛在效用。

該研究的創新之處在于首次利用大規模真實世界數據開發出高性能的術前預測工具，克服了傳統統計方法的局限性，為改善終末期腎病患者的血液透析管理提供了重要技術支持。研究團隊已公開模型代碼，便于臨床推廣應用，未來計劃進行前瞻性驗證以確認臨床效用和影響。