目的构建并验证包含血清Klotho蛋白在内的机器学习(machine learning,ML)模型来预测慢性肾脏病(chronic kidney disease,CKD)患者全因死亡的风险。方法研究采用回顾性队列研究设计方案。选取2012年2月7日至2019年10月18日我科收治的CKD...目的构建并验证包含血清Klotho蛋白在内的机器学习(machine learning,ML)模型来预测慢性肾脏病(chronic kidney disease,CKD)患者全因死亡的风险。方法研究采用回顾性队列研究设计方案。选取2012年2月7日至2019年10月18日我科收治的CKD1~5期非透析成年患者病例资料,按照7∶3分为训练集和内部验证集。将47项常规临床特征(包括血清Klotho蛋白)用于为模型提供变量信息,在训练集中利用单因素Cox回归筛选可能的风险因素、Lasso-Cox回归模型筛选风险因素、多因素Cox逐步回归构建列线图风险预测模型,内部验证评估模型性能。结果共400例病例资料纳入分析,训练集280例,验证集120例。训练集有52例死亡,228例存活;验证集有21例死亡,99例存活。全因死亡风险预测模型显示5年生存率受试者工作曲线下面积(area under the curve,AUC)在训练集和验证集分别为0.760(95%CI:0.676,0.844)和0.788(95%CI:0.679,0.897),模型总体C指数在训练集和验证集分别为0.755(95%CI:0.685,0.826)和0.720(95%CI:0.614,0.826)。单因素Cox回归分析结果显示,年龄、心血管疾病病史、胱抑素C、碱性磷酸酶、白蛋白、嗜酸性粒细胞、血红蛋白、补体C3、钙、C反应蛋白、肿瘤坏死因子-α(TNF-α)以及血清Klotho蛋白可能是全因死亡的预测因子(P<0.05)。多因素Cox逐步回归最终筛选出年龄、白蛋白、补体C3及血清Klotho蛋白共4个独立预测因子(P<0.05),模型最终纳入了年龄、白蛋白、补体C3、血清Klotho蛋白共4个指标。结论成功构建并验证了基于血清Klotho蛋白的慢性肾脏病全因死亡预测机器学习模型;年龄大是CKD患者全因死亡的危险因素,白蛋白、补体C3及血清Klotho蛋白高是CKD患者全因死亡的保护因素。展开更多
文摘目的构建并验证包含血清Klotho蛋白在内的机器学习(machine learning,ML)模型来预测慢性肾脏病(chronic kidney disease,CKD)患者全因死亡的风险。方法研究采用回顾性队列研究设计方案。选取2012年2月7日至2019年10月18日我科收治的CKD1~5期非透析成年患者病例资料,按照7∶3分为训练集和内部验证集。将47项常规临床特征(包括血清Klotho蛋白)用于为模型提供变量信息,在训练集中利用单因素Cox回归筛选可能的风险因素、Lasso-Cox回归模型筛选风险因素、多因素Cox逐步回归构建列线图风险预测模型,内部验证评估模型性能。结果共400例病例资料纳入分析,训练集280例,验证集120例。训练集有52例死亡,228例存活;验证集有21例死亡,99例存活。全因死亡风险预测模型显示5年生存率受试者工作曲线下面积(area under the curve,AUC)在训练集和验证集分别为0.760(95%CI:0.676,0.844)和0.788(95%CI:0.679,0.897),模型总体C指数在训练集和验证集分别为0.755(95%CI:0.685,0.826)和0.720(95%CI:0.614,0.826)。单因素Cox回归分析结果显示,年龄、心血管疾病病史、胱抑素C、碱性磷酸酶、白蛋白、嗜酸性粒细胞、血红蛋白、补体C3、钙、C反应蛋白、肿瘤坏死因子-α(TNF-α)以及血清Klotho蛋白可能是全因死亡的预测因子(P<0.05)。多因素Cox逐步回归最终筛选出年龄、白蛋白、补体C3及血清Klotho蛋白共4个独立预测因子(P<0.05),模型最终纳入了年龄、白蛋白、补体C3、血清Klotho蛋白共4个指标。结论成功构建并验证了基于血清Klotho蛋白的慢性肾脏病全因死亡预测机器学习模型;年龄大是CKD患者全因死亡的危险因素,白蛋白、补体C3及血清Klotho蛋白高是CKD患者全因死亡的保护因素。