随着全球人口老龄化进程加速，重症监护病房（ICU）中老年急性肾衰竭（Acute Renal Failure, ARF）患者的救治已成为临床面临的重大挑战。由于老年人肾脏结构和功能的进行性衰退，ARF的发病率在老年群体中显著升高，其病情复杂、预后差的特点使得准确预测临床结局变得尤为重要。传统评分系统在个体化预后预测方面存在局限，而机器学习算法为这一难题提供了新的解决思路。
本研究基于MIMIC IV（Medical Information Mart for Intensive Care）公共数据库，纳入7500例60岁以上ARF患者数据，其中1150例在90天内死亡。研究人员采用极端梯度提升（XGBoost）和逻辑回归（Logistic Regression, LR）两种算法构建预测模型，通过受试者工作特征曲线（ROC）、决策曲线分析（Decision Curve Analysis, DCA）等多项指标系统评估模型性能。
关键技术方法包括：从MIMIC IV数据库提取老年ARF患者临床数据；使用XGBoost和LR算法构建90天死亡率预测模型；采用ROC曲线和DCA分析模型判别能力与临床效用；通过累积残差分布图和残差箱线图评估模型拟合优度。
研究结果显示：
1. 模型判别能力比较：XGBoost模型的曲线下面积（AUC）显著大于LR模型（0.XX vs 0.XX，P<0.01），表明其具有更好的区分能力。
2. 临床决策分析：DCA显示XGBoost模型在更广泛的阈值概率范围内具有更高的净获益，临床适用性更优。
3. 模型拟合评估：XGBoost模型的样本残差和均方根残差均小于LR模型，提示其对数据特征的捕捉更为精准。
4. 个体化预测工具：基于XGBoost模型构建的分解图（breakdown plot）可直观展示各预测变量对个体患者预后的贡献度。
研究结论表明，XGBoost算法在预测老年ARF患者90天死亡率方面优于传统LR模型，其优越的预测性能主要体现在更高的判别准确性、更好的临床决策价值和更优的模型拟合度。该模型可作为临床医生评估高危患者、制定个体化治疗方案的辅助工具，对改善老年ARF患者预后具有重要临床意义。未来可通过多中心前瞻性研究进一步验证模型的泛化能力，推动机器学习在重症医学领域的临床应用。
打赏
