住院患者急性肾损伤预测论文被医学物理领域权威期刊Medical Physics录用

来源: 郭圣文/

华南理工大学

2025-09-27 16:16:57

2025-09-27

论文Developing Machine Learning-driven Acute Kidney Injury Predictive Models Using Non-Standard EMRs in Resource-Limited Settings，相关工作由华南理工大学与美国内华达大学、广东省人民医院、广东易生活科技有限公司、浙江省人民医院、上海市第九人民医院、安微医科大学附二院、吉林大学附二院等14家医院携手合作，历经5年研究完成。

摘要：

急性肾损伤（AKI）全球高发，对中低收入国家（LMICs）冲击尤甚。现有AKI预测模型依赖血肌酐（SCr）检测和标准化电子病历（EMR），而这些在LMICs常难获得；且无法融合非标准EMR数据，进一步限制其全球适用性。我们开发了一款机器学习模型，旨在弥合高收入国家与LMICs在AKI诊断与管理上的差距。该模型仅利用生命体征及易获取的临床检验数据，即使在资源受限情境下也能提升患者照护。借助Light Gradient Boosting Machine算法，我们从非标准EMR中提炼关键信息，无需反复检测SCr。模型经真实世界数据集验证，适用于不同医疗场景与人群。它成功摆脱了对重复SCr测量、标准化EMR以及资源匮乏地区真实世界验证的依赖，可在24、48、72小时前独立预测AKI发生，完全不依赖SCr特征。模型仅从非标准EMR中提取关键特征，即便数据稀缺、缺失连续SCr检测，仍能精准预测AKI。本研究标志着面向LMICs的AKI机器学习预测取得重大进展；其驾驭非标准EMR数据的能力及真实世界验证，确保了广泛适用性。该研究首创排除SCr特征、仅利用非标准EMR实现个体化AKI诊断，为资源有限环境下的机器学习AKI预测开辟了新路径。

关键词：住院患者；急性肾损伤；早期预测；Light梯度提升机；非标准病历；中低收入国家；资源受限环境

登录用户可以查看和发表评论，请前往登录或注册。