ADAMTSL3促大鼠糖尿病肾病心肌纤维化和SGLT-2抑制剂的疗效观察

目的 探讨ADAMTSL3(Adisintegrin-like and metalloprotease domain with thrombospondin type I motifs-like-3)在大鼠糖尿病肾病心肌纤维化中的作用机制和SGLT-2抑制剂(Sodium-glucose co-transporter 2)的应用效果。方法 SPF级雄性Wistar大鼠28只经高脂高糖饲料喂养联合腹腔注射链脲佐菌素(SMZ)50 mg/kg进行糖尿病肾病造模,造模成功后分为模型组和治疗组,另设正常对照组大鼠,治疗组给予SGLT-2抑制剂(卡格列净10 mg/kg)灌胃。3组大鼠进行心脏B超动态分析心脏结构改变。对大鼠心肌组织进行病理染色、qRT-PCR、Western Blot检测ADAMTSL3基因表达水平,同时观察使用SGLT-2抑制剂后大鼠心肌的病理改变。结果 与正常对照组相比,模型组在左心室重量(LVM)、左心室收缩末壁厚度(LVPWs)、左心室短轴缩短率(LVFS%)、左射血分数(LVEF%)上的差异均有统计学意义(P<0.05)。与模型组相比,治疗组大鼠糖尿病肾病诱导心肌组织纤维化相对面积降低,以及在大鼠心肌纤维化中的Ⅰ型胶原蛋白(CollagenⅠ)、纤维连接蛋白(Fibronectin)表达降低(P<0.05)。与正常对照组相比,模型组大鼠心肌组织的ADAMTSL3蛋白表达显著增加;与模型组相比,治疗组大鼠心肌组织的ADAMTSL3蛋白表达显著降低(P<0.05)。与正常对照组相比,模型组中衰老标志物p-p53、p21、p16表达水平升高;与模型组相比,治疗组p-p53、p16表达水平均降低,差异有统计学意义(P<0.05)。结论 ADAMTSL3表达与纤维化相关,因此ADAMTSL3参与促进糖尿病肾病大鼠心肌纤维化,SGLT-2抑制剂治疗可逆转其心肌纤维化病变。

基于机器学习的急性冠脉综合征患者急性肾损伤的预测模型

目的基于机器学习(machine learning,ML)的方法构建急性冠脉综合征(acute coronary syndrome,ACS)患者在急诊入院后发生急性肾损伤(acute kidney injury,AKI)的临床预测模型。方法收集2018年1月至2020年12月在新疆医科大学第一附属医院住院确诊ACS的患者临床资料。(1)使用sklearn工具包中的train_test_split函数将数据集分为训练组(70%)和测试组(30%),在训练组中使用logistic回归、决策树、随机森林、极端梯度提升、支持向量机和轻量级梯度提升(light gradient boosting machine,LightGBM)方法构建ACS-AKI的预测模型;(2)通过模型可视化工具SHAP可解释模型与递归特征消除(recursive feature elimination,REF)对最佳ML预测模型变量进行筛选,并压缩为特征减少的紧凑预测模型;(3)最后采用测试组数据从区分度,校准和临床效益三个方面对筛选后的预测模型进行评价。结果共纳入499例ACS患者临床资料,其中ACSAKI发生率为29.5%;LightGBM模型在训练集中表现出最佳预测性能(受试者工作特征曲线的曲线下面积=0.78)。对特征变量筛选后发现,导致ACS并发AKI的预测因子有入院肌酐、射血分数、三酰甘油、B型钠尿肽、血尿素氮、胱抑素C、D-二聚体、年龄、袢利尿剂、心肌梗死范围。最后使用测试集数据对ACS-AKI的ML模型进行验证,得到LightGBM模型在区分度(受试者工作特征曲线=0.79)、校准方面、临床效益方面都具有最好的表现。结论通过不同的ML算法构建并验证了ACS患者并发AKI的临床预测模型,并且得到了较好的效果,但此模型仍需要更多外部数据进行验证。

心力衰竭患者AKI发生的临床预测模型构建

目的:构建心力衰竭患者AKI(acute kidney injury)发生的临床预测模型,对早期高危患者识别提供依据。方法:回顾性分析新疆医科大学第一附属医院2018年1月至2020年12月明确诊断心力衰竭患者350例,其中AKI患者104名(29.7%),非AKI患者246名(70.3%),将其按7:3比例随机分为建模队列(n=245)和验证队列(n=105)。构建LASSO回归分析建模队列,基于logistic回归结果构建HF-AKI(heart failure-acute kidney injury)患者的诺顿图,同时对模型进行校准,同时验证模型效益。结果:单因素分析得到25个差异变量,LASSO回归、多因素逐步logistics回归,最终得到5个差异变量:年龄、住院天数、入院肌酐、射血分数、是否使用抗生素。构建HF-AKI患者的临床预测模型并绘制成诺顿图。构建训练组和验证组诺顿图的ROC曲线AUC大小分别为0.730和0.794,通过Hosmer-Lemeshow检验,验证组虽然没有训练组的拟合优度优异,但P>0.05,表明该诺顿图模型同样具有良好的校准度。结论:本研究成功构建了HF-AKI的临床预测模型,经过系列验证提示该模型的训练组和验证组均具有净收益范围,具有一定的临床价值。