机器学习模型整合围手术期血流动力学指标预测心脏移植术后中度至重度急性肾损伤

• 关键结果：整合围手术期血流动力学指标（肺动脉收缩压、平均动脉压、中心静脉压）的机器学习模型预测心脏移植术后2-3期急性肾损伤的AUC为0.898。

• 发生率：21.9%（25/114）的受者出现中度至重度急性肾损伤。

• 最佳模型：轻量梯度提升机在区分度和校准度方面优于其他算法。

• 临床意义：该模型可能指导早期血流动力学优化以降低急性肾损伤风险，但需外部验证。

研究为何重要

原位心脏移植（OHT）术后急性肾损伤（AKI）常见，根据定义不同影响20-50%的受者，并与发病率和死亡率增加密切相关。现有的OHT后AKI预测模型多关注术前特征和静态术中因素，常忽视多个血流动力学参数的动态影响。考虑到术中低血压和静脉充血是可改变的风险因素，整合实时血流动力学数据的模型可能实现更早的干预。本研究旨在开发并比较整合围手术期血流动力学指标的机器学习模型，以预测OHT后2-3期AKI。

研究如何开展

研究者回顾性分析了单中心114例成年OHT受者。收集基线人口学、临床和实验室数据，以及术中血流动力学参数，包括平均动脉压（MAP）、中心静脉压（CVP）和肺动脉收缩压（PASP）。主要结局为移植后7天内符合KDIGO肌酐标准的2-3期AKI。预测因子筛选先进行单变量分析，然后使用LASSO回归以减少过拟合。训练了五种机器学习算法：逻辑回归、随机森林、支持向量机、极端梯度提升（XGBoost）和轻量梯度提升机（LightGBM）。通过受试者工作特征曲线下面积（AUC）、精确率-召回率曲线下面积（AUPRC）和Brier评分，使用5折交叉验证评估模型表现。

研究者发现了什么

在114例患者中，25例（21.9%）出现2-3期AKI。在候选预测因子中，最终模型保留了较低的MAP、较高的CVP、较高的PASP、较高的术前肌酐、较低的术前血红蛋白、较长的体外循环时间、较高的血管活性-正性肌力评分以及较高的红细胞输注量。LightGBM模型表现最佳（AUC 0.898，AUPRC 0.802，Brier评分0.106）。作者指出，术中低血压（低MAP）和静脉充血（高CVP和PASP）与AKI风险密切相关，这与低灌注和肾充血的既定病理生理机制一致。

优势与局限

优势包括使用多种机器学习算法和全面的血流动力学数据。然而，该研究存在重要局限性。其为回顾性、单中心研究，样本量不大（n=114），仅25个事件，尽管采用了LASSO和交叉验证，但模型过拟合风险仍增加。未使用外部验证队列，限制了普适性。模型仅基于围手术期数据构建；未纳入移植后混杂因素，如免疫抑制、液体平衡和血管加压药使用。此外，结局定义仅依赖肌酐标准，未采用尿量，可能导致AKI低估或高估。作者未报告校准曲线或决策曲线分析，而这些对评估临床实用性至关重要。

对实践与研究的意义

这项概念验证研究表明，整合血流动力学参数的机器学习模型可能增强OHT后AKI的早期风险分层。若经外部验证，该模型可能有助于指导目标导向的血流动力学治疗，例如将MAP维持在阈值以上或管理前负荷以减少静脉充血。然而，在临床采用前，该模型需进行前瞻性、多中心验证，纳入术后变量，并评估其使用是否能改善患者结局。研究者还应探索利用术中和术后监测数据进行预测的动态更新。血流动力学与AKI之间的关联再次强调了心脏移植受者围手术期灌注管理的重要性。