基于机器学习的艾司奥美拉唑相关急性肾损伤风险预测模型的构建与验证

作     者：张霈 劳家辉 陈照阳 陈世贤 李晓 黄欣 Zhang Pei;Lao Jiahui;Chen Zhaoyang;Chen Shixian;Li Xiao;Huang Xin

作者机构：山东第一医科大学第一附属医院(山东省千佛山医院)临床药学科济南250014 山东第一医科大学第一附属医院(山东省千佛山医院)健康医疗大数据研究中心济南250014 山东中医药大学药学院济南250355 

基　　金：中国毒理学学会临床毒理学专项研究项目(CST2020CT104) 山东省药学会医院药学专项科研项目(yyyx2021zd⁃03) 中国医院药物警戒研究协作组项目(DRM2022016) 

出 版 物：《药物不良反应杂志》 (Adverse Drug Reactions Journal)

年 卷 期：2024年第26卷第7期

页      码：405-411页

摘      要：目的分析接受艾司奥美拉唑治疗的住院患者发生急性肾损伤(AKI)的影响因素,构建艾司奥美拉唑相关AKI的风险预测模型。方法研究设计为回顾性研究。研究对象选自2018年1月至2020年12月于山东第一医科大学第一附属医院住院并接受艾司奥美拉唑治疗的患者。通过医院电子病历系统收集患者临床资料,包括患者基本信息、手术类型、干预措施、用药信息和实验室检查结果。根据是否发生艾司奥美拉唑相关AKI将患者分为AKI组和非AKI组,比较2组临床特征。采用最小绝对收缩和选择算子(LASSO回归)分析艾司奥美拉唑相关AKI的影响因素。以8∶2的比例将患者随机分为训练集和测试集。基于训练集数据,采用5种机器学习算法[logistic回归(LR)、随机森林(RF)、梯度提升机(GBM)、极端梯度提升(XGBoost)和轻量梯度提升机(LightGBM)]建立艾司奥美拉唑相关AKI预测模型;基于测试集数据,比较5种模型的受试者工作特征曲线下面积(AUC)、敏感性、特异性和准确率。结果共有5436例患者纳入研究,包括男性3231例、女性2205例,年龄61(51,70)岁。393例(7.23%)发生艾司奥美拉唑相关AKI。LASSO回归分析共筛选出24个与艾司奥美拉唑相关AKI密切相关的变量,包括肝功能不全、慢性肾功能不全、低蛋白血症等。基于训练集(4349例)数据构建艾司奥美拉唑相关AKI风险预测模型,结果显示5种模型的预测性能均良好(AUC均大于0.900)。以测试集(1087例)数据对5种模型的预测性能进行验证,发现GBM模型的AUC最高(0.922),且预测性能较为稳定(在训练集与测试集中各项指标差异较小)。结论应用艾司奥美拉唑与AKI发生明显相关,发生风险受患者基线肾功能、合并疾病及合并使用的其他药物等因素影响。基于GBM算法构建的风险预测模型,有助于临床对艾司奥美拉唑相关AKI发生风险进行早期评估。

主 题 词：危险因素 人工智能 急性肾损伤 艾司奥美拉唑 预测模型 机器学习 

学科分类：12[管理学] 1007[医学-药学类] 1006[医学-中西医结合类] 100706[100706] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 100602[100602] 10[医学] 

D　O　I：10.3760/cma.j.cn114015-20231220-00920

馆 藏 号：203134445...