利用机器学习建立住院儿童急性肾损伤电子预警系统的真实世界研究

Acute kidney injury (AKI) is a common complication of hospitalized children and associated with significantly increase the risk of in-hospital and long-term mortality. The incidence of AKI in hospitalized children in China is as high as 19.6%, while the diagnostic rate is less than 10%. Due to the lack of effective treatment for AKI, early risk prediction offers the opportunity to initiate measures for AKI prevention in hospitalized patients. At present, there is no validated prediction model for pediatric AKI in China. This study is aim to utilize the multi-center electronic health records and real-world data to establish a risk prediction model for acute kidney injury in hospitalized children in China using machine learning techniques and random forest algorithm. The newly established risk prediction model will be externally validated by an independent clinical cohort and compared to the traditional logistic regression model and similar models abroad. By integrating the AKI risk prediction model and diagnostic alarm system in the electronic hospitalization information system (HIS), it will contribute to the early identification of high-risk patients, pre-assessment of operation or medication-related AKI risk, and real-time alarm for AKI that has developed.

急性肾损伤是住院儿童常见的合并症，会显著增加儿童院内及远期死亡风险。中国住院儿童急性肾损伤的发病率高达19.6%，但诊断率不足10%。由于急性肾损伤缺乏直接、有效的治疗手段，早期风险预测能为住院患者急性肾损伤的预防提供有效帮助。目前国内尚没有经过大样本临床队列验证的儿童急性肾损伤风险预测模型。本研究将利用多中心的、真实世界的电子住院病历数据，使用计算机机器学习的随机森林算法，建立针对中国住院儿童急性肾损伤的风险预测模型。新建立的风险预测模型将通过独立的临床队列进行外部验证，并同传统Logistic回归模型以及国外类似模型的预测效力进行比较。通过在住院信息系统中同时整合儿童急性肾损伤的风险预测模型和诊断报警系统（统称为电子预警系统），将有助于对高危患儿进行早期筛选、对临床操作或用药相关的急性肾损伤风险进行预先评估和对已发生的急性肾损伤进行实时报警。

急性肾损伤是住院儿童常见的合并症，会显著增加儿童院内及远期死亡风险。中国住院儿童急性肾损伤的发病率高达19.6%，但诊断率不足10%。由于急性肾损伤缺乏直接、有效的治疗手段，早期风险预测能为住院患者急性肾损伤的预防提供有效帮助。目前国内尚没有经过大样本临床队列验证的儿童急性肾损伤风险预测模型。本研究利用前期已建立的多中心的、真实世界电子医疗数据库，筛选了2013至2018年间来自全国范围内25家医院的住院儿童50420人作为建模队列。队列人群平均年龄4.97岁，男性占比60.7%，按照pROCK标准诊断AKI的发生率为5.2%，院内死亡发生率为0.8%。课题组利用住院期间的人口学信息、诊断信息、检验信息、手术操作信息、用药医嘱信息等，在完成数据清理、临床特征提取等准备工作后，借助机器学习随机森林算法及其他人工智能算法，对不同维度的所有候选变量的预测效力进行重要性评分，筛选出预测效力最强的38个候选变量。使用决策树、随机森林、adaboost、xgboost、支持向量机、logistic回归、 朴素贝叶斯、k 最近邻等机器学习模型和 Restnet，Inception，RNN，LSTM 等深度学习模型分别建立预测模型。将上述模型在独立的验证队列中进行校验，使用受试者工作特性曲线下面积（AUC）、F-1指数、准确率、召回率等指标评估模型的预测效能。研究发现在训练集、验证集和测试集中，基于机器学习梯度集成分类算法的 GBC(Gradient Boosting Classifier)模型表现最佳且效能稳定，其 AUC 分别达到 0.921、0.853 及 0.863，选择该模型为最终模型。本研究相关结果证实，利用人工智能算法建立的风险预测模型能够在住院期间准确预测儿童AKI的发生风险。该模型能够帮助临床医生实现对住院儿童急性 肾损伤风险的“早期、动态监测”和“实时诊断预警”。本研究针对的是临床实 践中的现实问题，具有较强的临床应用前景，其成果对于提高我国儿童急性肾损伤的个体化防治水平具有一定意义。项目研究期间，发表 SCI 论文(标注项目资助) 6篇，申请发明专利 1 个 (已获受理)。

内容获取失败，请点击重试