應用機器學習算法預測心臟搭橋術後急性腎損傷的多中心隊列研究

2023年11月24日，施普林格出版集團（Springer）旗下雜誌《BMC Medical Informatics and Decision Making》在線發表了來自上海交通大學醫學院附屬胸科醫院心臟外科張楊楊主任醫師團隊的最新臨床研究結果:”­­­­­Machine-learning predictions for acute kidney injuries after coronary artery bypass grafting: A real-life muticenter retrospective cohort study”（機器學習模型預測冠狀動脈旁路移植術後急性腎損傷：一項多中心回顧性隊列研究）。https://doi.org/10.1186/s12911-023-02376-0

賈天晨碩士研究生、徐凱碩士研究生、白雲碩士研究生為文章的共同第一作者，張楊楊主任醫師、李明亮主治醫師和趙鑫主任醫師為文章的共同通訊作者。

主要內容

冠狀動脈旁路移植（coronary artery bypass grafting，CABG）是目前臨床上治療嚴重冠心病（coronary heart disease，CHD）的主要外科方法，也是目前世界各地開展最多的心臟手術。CABG術後併發症包括圍術期心肌缺血、心律失常、急性腎損傷（acute kidney injury，AKI）、神經系統併發症和出血。術後AKI是心臟手術後常見的併發症，發生率通常為 15%-30%。臨床實踐中，隨著社會老年化程度的加重，手術患者基礎疾病增多和器官儲備能力下降，術後AKI的發生率在逐年增高， CABG 術後AKI可能發展為慢性腎功能衰竭甚至終末期腎病，增加術後近、遠期死亡風險。術後AKI的高發病率和由此引起的高死亡率使其成為心臟外科手術風險管理的棘手問題。然而CABG 術後 AKI 的發病機制非常複雜，尚未完全研究明了。現有的心臟術後AKI預測模型僅有零星報導，且都是基於歐美人群建立的，不太適用於中國患者。因此，明確中國患者術後 AKI 的風險因素並探索 CABG 術後 AKI 的預測模型迫在眉睫。

機器學習（­­­­­Machine-learning，ML）是人工智能的一個分支，已越來越多地應用於各個領域的海量數據分析。近年來，隨著信息技術的發展，醫院電子病曆系統每年都會產生大量數據，這促使許多健康和生物醫學研究人員應用機器學習從不斷增長的生物醫學數據庫中提取有價值的信息，特別在疾病的預測模型方面有了長足的發展。應用機器學習算法預測 CABG術後AKI一直未有研究。

上海交通大學醫學院附屬胸科醫院張楊楊主任醫師研究團隊長期致力於心臟手術圍手術期風險研究，聯合江蘇省人民醫院、山東大學齊魯醫院和寧夏醫科大學總醫院三家地區性的心臟中心共同進行該項研究。研究納入華東地區兩所心臟外科的2780例單純CABG患者數據，按 8:2 的比例隨機分配到模型訓練組和驗證組，對模型進行建立和驗證，篩選出最優的模型。為進一步評估機器學習模型的外部適用性（泛化性能），研究團隊選取了中國東部、西北部兩家大型心臟中心的2051例單純CABG患者進入外部驗證組。研究建立了 LightGBM、SVM、Softmax 和 RF 等4個機器學習預測模型。研究團隊使用AUC曲線、H-L擬合優度檢驗、NRI、IDI、Bland-Altman 圖和DCA曲線分析等統計學方法對上述4個模型進行了多維度的評估。最終，LightGBM預測模型無論在內部驗證中還是外部驗證中均表現出優秀的預測能力，該模型有望成為中國CABG患者預測術後AKI的臨床實用工具。

圖1：直方圖算法、策略和 LightGBM 構建過程

該研究團隊還利用 SHAP 算法得出各納入變量對機器學習模型預測結果的重要性，解釋機器學習方法選取的變量，使機器學習過程不再是“黑箱過程”，為臨床醫師更好的理解AKI提供了理論支持。術後 24 小時內的血清肌酐（serum creatinine，Scr）在所有預測範圍內都具有最強的預測價值，其次是術前最後一次 Scr 水平、體表面積、肺動脈高壓和術前估計腎小球濾過率（estimated glomerular filtration rate，eGFR）。

圖2.發生術後AKI和未發生術後AKI患者的SHAP分析

張楊楊主任研究團隊提供了一種基於 LightGBM 的CABG術後AKI的預測模型，該模型可準確預測 CABG 手術後的 AKI發生，可以幫助心臟外科醫生提前發現CABG術後發生AKI高風險的患者，進行及時干預和個性化治療，以期減少術後相關併發症的發生。

摘要

背景：冠狀動脈旁路移植術（CABG）術後急性腎損傷（AKI）與不良預後有關。本研究旨在應用一種新的機器學習（ML）方法建立 CABG 術後急性腎損傷的預測模型。

研究方法：從華東地區兩家醫學中心共招募了 2780 名首次接受單純CABG 的患者。然後將數據集隨機分為模型訓練（80%）和模型測試（20%）。在 Python 上分別建立了基於 LightGBM、支持向量機（SVM）、Softmax 和隨機森林（RF）算法的四種 ML 模型。來自另外兩家醫療中心的共 2051 名患者被分配到外部驗證組，以驗證 ML 預測模型的性能。使用接收者操作特徵曲線下面積（AUC）、Hosmer-Lemeshow 擬合度統計量、Bland-Altman 圖和決策曲線分析對模型進行了評估。LightGBM 模型的結果使用 SHapley Additive exPlanations (SHAP) 進行解釋。

結果：建模組的術後 AKI 發生率為 13.4%。同樣，外部驗證組中兩家醫學中心的術後 AKI 發生率分別為 8.2% 和 13.6%。LightGBM 的預測效果最好，在內部驗證組的 AUC 為 0.8027，在外部驗證組的 AUC 為 0.8798 和 0.7801。SHAP顯示了術後AKI的前20個預測因素，並根據重要性進行了排序，預測結果前三位的特徵是術後24小時內的血清肌酐、術前最後一次Scr水平和體表面積。

結論：本研究提供了一個 LightGBM 預測模型，可準確預測 CABG 手術後的 AKI。該 ML 模型在內部和外部驗證中均顯示出良好的預測能力。它可以幫助心臟外科醫生識別 CABG 術後可能發生 AKI 的高危患者。

Abstract

Background: Acute kidney injury (AKI) after coronary artery bypass grafting (CABG) surgery is associated with poor outcomes. The objective of this study was to apply a new machine learning (ML) method to establish prediction models of AKI after CABG.

Methods: Totally 2780 patients from two medical centers in East China who underwent primary isolated CABG were enrolled. Then the dataset was randomly divided for model training (80%) and model testing (20%). Four ML models based on LightGBM, Support vector machine (SVM), Softmax and random forest (RF) algorithms respectively were established on Python. A total of 2051 patients from two other medical centers were assigned to an external validation group to verify the performances of the ML prediction models. The models were evaluated using the area under the receiver operating characteristics curve (AUC), Hosmer-Lemeshow goodness-of-fit statistic, Bland-Altman plots, and decision curve analysis. The outcome of the LightGBM model was interpreted using SHapley Additive exPlanations (SHAP).

Results: The incidence of postoperative AKI in the modeling group was 13.4%. Similarly, the incidence of postoperative AKI of the two medical centers in the external validation group was 8.2% and 13.6% respectively. LightGBM performed the best in predicting, with an AUC of 0.8027 in internal validation group and 0.8798 and 0.7801 in the external validation group. The SHAP revealed the top 20 predictors of postoperative AKI ranked according to the importance, and the top three features on prediction were the serum creatinine in the first 24h after operation, the last preoperative Scr level, and body surface area.

Conclusion: This study provides a LightGBM predictive model that can make accurate predictions for AKI after CABG surgery. This ML model shows good predictive ability in both internal and external validation. It can help cardiac surgeons identify high-risk patients who may experience AKI after CABG surgery.

共同第一作者

通訊作者簡介

張楊楊 主任醫師

醫學博士，主任醫師，上海交通大學醫學院研究生導師，中華醫學會胸心血管外科分會厄爾.巴肯獎獲得者，中華醫學會胸心血管外科分會青年優秀論文獲得者。專注於心血管外科，特別是冠心病及房顫外科治療，房顫基礎研究處於領先水平。先後多次赴法國馬賽Saint Joseph醫院、圖盧茲Sabatier大學附屬Rangueil醫院心臟外科學習微創瓣膜手術、主動脈夾層手術、TAVR手術及雜交心血管外科手術。

主持國家級、省部級、市局級項目5項，發表專業論文121篇，其中以第一作者或通訊作者（含共同）發表80篇（SCI論文40篇），總影響因子約159分，個人H指數21。主持開展臨床註冊研究19項，主編《醫學動物實驗科學》，參編《胸痛診療路徑》、《全動脈化冠狀動脈旁路移植術》、《Precision Medicine》和《Methods Molecular Biology》專著4本，授權發明專利3項。現為中國醫療保健國際交流促進會精準心血管病分會青年委員，中國研究型醫院學會互聯網醫院分會理事，教育部學位與研究生教育發展中心學位論文評議專家，《中國胸心血管外科臨床雜誌》、《Emergency and Critical Care Medicine》、《外科研究與新技術雜誌》等雜誌青年編委，多家核心期刊及SCI雜誌責任編輯和審稿人。

李明亮 主治醫師

寧夏醫科大學總醫院心臟大血管外科主治醫師，在讀博士（福建醫科大學心臟大血管外科），中共黨員，曾在丹麥奧爾堡市奧爾堡大學附屬醫院進修心臟外科技術（師從Jan Jesper Andreasen , professor , MD , PhD ，Department of Cardiothoracic Surgery Aalborg University Hospital Denmark）。“歐美同學會（中國留學人員聯誼會）醫師協會”大血管疾病分會會員。中國研究型醫院學會互聯網醫院分會心血管研究學組理事。寧夏心臟大血管外科學專業質量控製中心專家組成員。

以心臟移植OPO成員身份參與並全程協調寧夏地區首例心臟移植手術（目前共2例）。參與併成功完成寧夏地區首例左心室輔助裝置植入術（人工心臟手術）（目前共3例）。

主持寧夏自然科學基金項目（一般項目）一項，以第三負責人身份參與自治區重點研發計劃社會發展領域立項項目（重點研發計劃）一項。以第一作發表中文核心文章2篇，以第一作或通訊作者（含共同）發表SCI文章4篇。

趙鑫 主任醫師

山東大學齊魯醫院心血管外科行政副主任、大血管病專業主任，心外科二病區副主任，主任醫師，副教授，碩士生導師，北京協和醫學院阜外心血管病醫院心外科博士。中國醫藥教育協會心臟外科專委會委員，《中國心臟外科學科規範化建設系統工程》項目技術指導專家，國家心血管病專家委員會微創心血管外科專委會青委，中國醫師協會心血管外科學分會大血管專委會委員，中國非公立醫療機構協會心血管外科專業委員，中國民族衛生協會心血管學科分會委員，山東省醫學會心血管外科分會副主任委員，山東省醫學會小兒外科分會委員，山東省醫師協會大血管疾病專委會副主任委員，山東省醫師協會心力衰竭分會青委會副主任委員，山東省醫師協會心血管外科分會常委，山東省醫師協會結構性心臟病專委會常委，山東省疼痛醫學會心臟大血管疾病專委會副主任委員，山東省疼痛醫學會心臟大血管疾病青年專業委員會主任委員，山東省心臟大血管外科質量控製中心委員，山東省研究型醫院協會心臟外科分會委員，山東省研究型醫院協會心臟大血管外科專委會青年學組副組長，濟南醫學會心血管外科分會副主任委員，銀豐生命科學院低溫醫學專委會委員，《Emergency and Critical Care Medicine》《中國胸心血管外科臨床雜誌》《中國心血管病研究》《心血管病進展》雜誌中青年編委。

2015年中國醫師協會心血管外科分會評選全國十大優青，2016年獲山東省科技進步獎，2020年山東省衛健委“齊魯衛生與健康領軍人才”稱號，承擔國家自然基金、省科技攻關等多項臨床研究課題，發表SCI及中文核心期刊論文30餘篇，國家發明專利4項，實用新型專利1項，研究方向：主動脈夾層的基礎與臨床、醫工結合人工智能化診療平台。

參加工作以來主刀完成3000餘例心血管外科手術。擅長大血管疾病、冠心病、心臟瓣膜病的外科診治，常規開展微創、雜交技術及常見先心病手術，尤其對疑難危重病例臨床實踐經驗豐富。