想象一下，一位需要定期接受血液透析的肾病患者，不仅要面对每周数次的治疗，夜晚还可能辗转反侧，难以入眠。这不是个例，睡眠障碍是维持性血液透析(Maintenance Hemodialysis, MHD)患者中一种极为普遍却又常被忽视的并发症，其发生率高达50%至80%以上。糟糕的睡眠质量不仅带来日间疲劳，更与生活质量下降、抑郁焦虑风险增加、认知功能减退密切相关，甚至被认为是导致心血管事件和全因死亡率上升的独立危险因素。然而，在繁忙的临床实践中，睡眠障碍往往评估不足、管理不佳，其中一个重要原因就是缺乏简单、有效、能够进行个体化风险评估的工具。现有的研究虽然识别了许多潜在风险因素，如不宁腿综合征(Restless Legs Syndrome, RLS)、营养状况、矿物质代谢紊乱等，但如何将这些零散的信息整合成一个易于临床使用的预测模型，并清晰解释各因素如何共同影响个体风险，仍是一个巨大挑战。
针对这一问题，一篇发表于《International Urology and Nephrology》期刊的研究给出了一个创新性的解决方案。研究人员致力于开发并验证一个可解释的列线图(Nomogram)，用于预测MHD患者发生睡眠障碍的个体风险。他们成功构建了一个整合了五种临床易得参数的模型，并利用先进的可解释人工智能(Explainable AI, XAI)技术深入剖析了各预测因子的贡献与相互作用。这项研究不仅提供了一个用户友好的预测工具，更从机制层面加深了我们对MHD患者睡眠障碍复杂病因的理解，为实现精准风险评估和早期干预策略铺平了道路。
为了回答研究问题，作者主要采用了以下关键技术方法：研究设计为单中心、回顾性、横断面研究，于2024年7月至12月在苏州大学附属第二医院血液透析中心纳入208名MHD患者作为样本队列。睡眠质量通过匹兹堡睡眠质量指数(Pittsburgh Sleep Quality Index, PSQI)进行评估，以总分>5分定义睡眠障碍组。通过单因素和多因素逻辑回归分析筛选独立预测因子，并基于此构建列线图预测模型。模型的性能通过受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC)、校准曲线和决策曲线分析(Decision Curve Analysis, DCA)进行评估。此外，研究应用了SHapley Additive exPlanations(SHAP)这一可解释人工智能方法来解释模型，包括生成SHAP摘要图、依赖图和力图，以可视化各预测因子在人群和个体层面的影响。
研究结果
参与者特征
本研究共纳入208名MHD患者，其中144名(69.2%)根据PSQI标准被划分为睡眠障碍组。与睡眠正常组相比，睡眠障碍组患者年龄显著更大，RLS患病率更高，血清白蛋白(Alb)水平和工具性日常生活活动能力(Instrumental Activities of Daily Living, IADL)评分更低。
与睡眠障碍相关的多因素逻辑回归分析
多因素逻辑回归分析确定了数个与睡眠障碍相关的独立因素。RLS的存在是最强的关联因素。年龄增长也是独立的危险因素。相反，较高的血清白蛋白水平和较高的甲状旁腺激素(Parathyroid Hormone, PTH)水平是显著的保护因素。尽管原发肾病病因作为一个整体变量在多变量模型中未达到统计学显著性，但因其临床相关性及在单因素分析中观察到的趋势而被保留在最终模型中，以确保列线图能提供更全面的临床风险评估。
用于预测睡眠障碍的受试者工作特征曲线
ROC分析显示，RLS是预测睡眠障碍的最佳单一预测因子(AUC=0.668)。年龄和白蛋白水平也表现出一定的预测价值。
开发用于预测睡眠障碍风险的列线图
基于多因素逻辑回归分析确定的显著变量，研究人员开发了一个包含年龄、白蛋白、PTH、RLS和原发肾病病因这五个预测因子的临床适用列线图。该列线图的AUC为0.80，表明其具有良好的判别能力。在校准曲线中，预测概率与观察概率高度一致。决策曲线分析表明，该列线图在广泛的概率阈值范围内提供了显著的净临床收益。
使用SHAP解释睡眠障碍预测模型
SHAP分析增强了模型的可解释性。摘要图显示，RLS是最具影响力的预测因子，其次是年龄、白蛋白和PTH水平，这验证了逻辑回归分析的结果。SHAP蜂群图详细展示了每个特征对所有个体患者预测结果的影响分布，确认了RLS的持续负面影响和白蛋白的保护作用，并揭示了PTH与预测风险之间可能存在的非线性关系。
关键预测因子的SHAP依赖图
SHAP依赖图进一步阐明了关键预测因子与模型输出之间的功能关系。年龄图显示，SHAP值随年龄增长而增加，特别是在60岁以后。白蛋白图显示明显的负相关趋势。PTH图显示出更复杂和非线性的关系。RLS图清晰地显示了其作为强风险增加因子的作用。原发肾病病因的分析表明，不同病因的SHAP值存在差异。
个性化预测解释的力图
SHAP力图通过三个代表性病例，展示了个体化预测中每个预测因子的贡献。在低风险病例中，年轻、高白蛋白、无RLS等因素共同显著降低了预测概率。在高风险病例中，RLS的存在是最强的正向驱动因素。在中风险病例中，无RLS和高白蛋白的保护作用，部分被高龄和较高的PTH水平所抵消，展示了各因素间复杂的相互作用。
研究结论与讨论
本研究成功开发并验证了一个包含五种易于获取的临床参数（年龄、血清白蛋白、PTH、RLS和原发肾病病因）的列线图，该工具与MHD患者的睡眠障碍风险相关。模型表现出良好的判别能力和校准度，而SHAP方法的运用显著增强了其可解释性，为个性化风险评估提供了实用工具。
讨论部分深入阐释了研究发现。RLS被确认为与睡眠障碍关联最强的因素，这与全球研究一致，其病理生理机制涉及中枢铁缺乏、多巴胺能信号受损等。值得注意的是，研究强调了原发肾病病因，特别是糖尿病肾病(Diabetic Kidney Disease, DKD)，与睡眠障碍的显著关联，这可能与糖尿病自主神经病变、周围神经病变、血糖波动等多种因素有关。血清白蛋白水平与睡眠障碍风险呈负相关，提示营养不良-炎症轴可能参与其中，炎症细胞因子可能破坏睡眠-觉醒稳态。在矿物质代谢方面，SHAP依赖图揭示了PTH水平与睡眠障碍风险之间复杂的非线性关系，暗示可能存在一个利于睡眠健康的最佳PTH目标范围，临床管理应避免其极端升高或过度抑制。年龄增长是睡眠质量恶化的预期风险因素，老年MHD患者还面临多重用药等问题。
该研究的方法学创新在于将传统统计建模与可解释人工智能相结合。SHAP力图实现了变量贡献在个体层面的可视化，有助于精准临床决策。决策曲线分析证实了模型在临床相关阈值概率范围内具有净临床效益。
当然，研究也存在一些局限性，主要为单中心、回顾性、横断面设计限制了因果推断和普遍性；睡眠评估依赖于自评量表，可能存在偏倚；未测量可能影响睡眠的药物等混杂因素；以及缺乏外部验证。因此，未来需要在多中心前瞻性研究中进行外部验证，整合客观睡眠监测，探索PTH与睡眠关系的机制，并针对模型识别的高风险患者开发靶向干预措施。
总而言之，这项研究为MHD患者的睡眠障碍风险管理提供了一个兼具性能与透明度的新工具。它不仅有助于临床医生快速识别高危个体，其深入的可解释性分析也增进了我们对睡眠障碍在多因素作用下如何形成的理解，特别是强调了原发病因在其中的独特角色，为推动个体化、精准化的临床管理实践提供了重要依据。
