靳敏燕 胡渊龙 高 超 张 倩 邱占军*

    急性肾损伤(acute kidney injury, AKI)是一种由血流动力学不稳定、感染和药物毒性等致病条件引起的以肾脏排泄功能迅速丧失为特征的综合征。目前认为其发病机制涉及微循环改变、肾小管上皮细胞损伤和肾内炎症[1]。据统计，重症加强护理病房(ICU)患者中AKI 的发病率超过50%[2]，其感染是导致AKI 发生的主要原因。脓毒症相关的AKI 在临床中十分常见，占AKI 的40%～50%，增加住院患者的死亡风险[3]。感染所致的急性肾功能障碍是可逆的，具有挽救的可能，但如果损伤的持续时间过长和潜在的肾脏储备不足则可能会限制肾功能的恢复[4]。因此，早期识别感染患者诱发AKI 的危险因素对于AKI 的早期防治、降低病死率具有重要意义。其中，前脑啡肽原(PENK)、尿白细胞介素-18、尿中的肾损伤分子-1(kidney injury molecule-1,KIM-1)、中性粒细胞明胶酶相关脂质运载蛋白(NGAL)等血清生物标志物对于早期预测AKI 备受关注，但由于成本高、技术要求高，这些指标难以广泛应用于临床[5-8]。传统的严重程度评分系统，如简化急性生理学评分Ⅱ(SAPSⅡ)和序贯器官衰竭评估(SOFA)评分，也可用于AKI 预测，然而其具有敏感性和特异性低、波动范围大、预测性能差等缺点[9-10]。

    近年来，由于统计理论和计算机技术的发展，机器学习引起了临床医生的关注和认可。与传统的逻辑回归和Cox 比例风险模型相比，新的机器学习算法在构建疾病的预测模型方面表现出更好的性能[11-12]。XGBoost 是基于梯度提升决策树(gradient boosting decision tree, GBDT)改进的一种算法，具有高效灵活地处理缺失数据以构建准确预测模型的特点，可以有效提高临床决策效率[13]。有研究表明，使用收集的ICU 日常实践中的实时数据，XGBoost 算法可以提供及时的脓毒症诊断，其准确率超过80%[14]。

    本研究通过收集437 例感染患者的临床资料，利用XGBoost 算法构建感染相关AKI 的临床预测模型，并对模型进行十折交叉内部验证，以筛选出感染导致AKI 的危险因素 ......