摘要：急性肾损伤（AKI）是临床常见且具有高死亡风险的危重症，也是慢性肾脏病（CKD）的主要危险因素之一。早期预测AKI进展至CKD的风险对于改善患者预后至关重要。

急性肾损伤（AKI）是临床常见且具有高死亡风险的危重症，也是慢性肾脏病（CKD）的主要危险因素之一。早期预测AKI进展至CKD的风险对于改善患者预后至关重要。

linical Journal of the American Society of Nephrology

》杂志上发表了一项重要研究，探讨了如何通过生物标志物来预测AKI幸存者长期CKD进展的风险

研究背景

既往已有研究根据住院期间的数据开发了风险评分，但大部分AKI住院患者康复后，长期肾功能并不会进一步恶化，因此利用出院后的数据预测模型可能会提供额外的预后价值。另外，考虑到生物标志物可能是预测未来CKD发生的有力指标，本研究使用了住院期间和出院后三个月检测的临床指标和生物标志物来预测住院AKI患者的长期主要不良肾脏事件 (MAKE），并深入开发精简的高级预测模型以实现与目前包含所有指标的综合模型相似的性能。

研究方法

研究的数据来源于AKI的评估、系列评估和后续后遗症评估（ASSESS-AKI）研究（一项前瞻性队列研究，旨在评估住院AKI患者的长期结局）。

本研究纳入了ASSESS-AKI中723名AKI住院且出院3个月时仍然存活的患者，在患者出院后3个月进行了详细的临床数据和生物样本采集，共分析了75个候选预测变量，以预测患者在三年内发生MAKE的风险。MAKE定义为估算肾小球滤过率（eGFR）下降≥40%、进展至终末期肾病（ESKD）或死亡。

使用两种互补的机器学习方法：随机森林和最小绝对收缩与选择算子（LASSO）回归来构建预测模型，应用接收者操作特征曲线下面积（AUC）来评估模型的预测能力。为了提高模型的实用性和可操作性，研究团队还构建了基于排名前八的预测变量的精简模型，且进一步开发了临床影响图，以评估预测模型在实际临床中的应用价值。

研究结果

基线特征

平均年龄64岁，男性占比68%，白人79%。在三年的随访期间，204名（28%）患者发生了MAKE事件，其中，共有115名患者eGFR下降≥40%；35名患者进展至ESKD；89名患者死亡（表1）。

表1 基线特征

变量报告为平均 (SD) 或n(%)。

BMI = 体重指数；BP = 血压；CKD = 慢性肾脏病；COPD = 慢性阻塞性肺疾病；CVD = 心血管疾病；eGFR = 估算的肾小球滤过率；ICU = 重症监护室。

*吸烟状态、BMI、血压，和 eGFR 均在出院后3个月随访时测定。

预测模型的构建与性能

LASSO回归分析了预测变量的重要性，结果显示：尿白蛋白肌酐比值（UACR）、可溶性肿瘤坏死因子受体1（sTNFR1）和利尿剂的使用是关键预测变量（表2）。

表2 LASSO回归对主要肾脏不良事件结局的预测变量重要性分析

*对多重插补得到的50个数据集的拟合 LASSO回归模型。

该表显示了数据集的数量，在50个变量中，每个变量都保留在 LASSO回归模型中（使用选择的调谐参数）。

版权所有©2024美国肾脏病学会

通过随机森林和LASSO回归模型分析发现，纳入所有75个预测变量的模型在预测MAKE方面表现出色，AUC分别为0.80和0.79。为了提高模型的实用性和临床可操作性，研究团队进一步构建了基于排名前八的预测变量的精简模型。这些变量包括：血浆胱抑素C、血尿素氮（BUN）、UACR、NT-proBNP、肌钙蛋白、血浆sTNFR1、sTNFR2和尿表皮生长因子（uEGF）。结果发现：该精简模型的AUC值为0.78（95% CI: 0.66-0.90），与全变量模型相当，但更易于临床应用。（表3）。

此外，研究还针对肾脏特异性结局（eGFR下降≥40%或进展至ESKD）进行分析，构建了以下模型：随机森林模型中，使用所有75个预测变量，AUC值为0.81（95% CI: 0.66-0.96）；LASSO回归模型同样使用所有75个预测变量，AUC值为0.83（95% CI: 0.69-0.96）；最后精简模型（纳入前四个预测变量）：包括UACR、eGFR、尿几丁质酶3样蛋白1（YKL-40）和血浆sTNFR1，AUC值为0.82（95% CI: 0.68-0.96）（表3）。

表3 不同模型预测结果

所有模型：拟合数据集和50个测试数据集。

BUN = 血尿素氮；FGF-23 = 成纤维细胞生长因子-23；NT-proBNP = N-末端脑利钠肽前体；sTNFR1 = 可溶性肿瘤坏死因子受体-1；sTNFR2 = 可溶性肿瘤坏死因子受体-2；uACR = 尿白蛋白/肌酐比值。

†LASSO 回归模型平均纳入了21个非零系数的预测因素。

*无下降/ESKD的死亡被视为非事件。

最后，研究进一步探索了仅利用目前临床上可用的变量来预测MAKE结果和肾脏特异性复合结果。结果发现，使用44个临床可用变量的临床模型并未优于仅使用高级预测因子的精简模型。

临床影响分析

研究团队通过临床影响图（Clinical Impact Plot）评估了精简模型在实际临床中的应用价值。假设在1000名AKI患者中，有282名患者最终会发生MAKE事件。分析结果如下（图1）。若风险阈值为0.75，仅80名患者被标记为高风险，其中73名（91%）患者最终发生MAKE事件。需筛查患者数（NNS）进一步降低至1.10，但假阴性结果增加。

图1 根据 MAKE 结果的不同风险阈值对患者绘制的临床影响图

在1000例患者中，风险阈值0确定了所有将进展为 MAKE 的患者（n=288），以及假阳性患者（n=712）。设置较高的风险阈值可以减少假阳性结果的数量，但也可能会漏掉几个真阳性。

研究意义

本研究的结论表明，结合临床数据和生物标志物可以准确识别AKI后的高风险患者，从而实现个性化的医疗管理，改善患者预后。值得注意的是，使用精简模型预测能力不劣于综合模型，并且通过临床影响效用分析发现，此类模型可以显著提高AKI后护理的效率。

此外，研究还强调了在AKI后三个月进行生物标志物和临床变量测量的重要性。这一时间点的测量数据能够为长期肾病进展提供重要的预测信息。例如，研究中发现的sTNFR1、sTNFR2、NT-proBNP等生物标志物，此前已被证实与CKD进展和长期不良肾脏结局相关。而本研究进一步验证了这些生物标志物在AKI后肾病进展中的预测价值。

研究局限与未来方向

尽管本研究取得了重要的发现，但也存在一些局限性。首先，研究样本量相对较小，且参与者主要为白人，可能会限制研究结果的普遍适用性。其次，研究未包括出院后立即测量的生物标志物数据，可能会遗漏一些重要的早期预测信息。再者，研究未对AKI的病因进行详细分类，也未对死亡原因进行具体分析。

未来的研究需要在更多样化的队列中验证这些预测模型的性能，并进一步探索生物标志物的动态变化与CKD进展之间的关系。此外，未来的研究还应考虑将生物标志物测量与临床干预措施相结合，以评估其在实际医疗环境中的应用价值。

结论

本研究通过结合临床变量和生物标志物，成功构建了能够预测AKI后长期肾病进展的模型。这一成果不仅为AKI后的临床管理提供了有力的工具，也为精准肾病医学的发展奠定了基础。未来，随着更多研究的开展和生物标志物的发现，我们有望进一步优化这些预测模型，并将其转化为临床实践中的个性化护理策略，从而减轻AKI-CKD的负担，改善患者的长期预后。

参考文献：

Menez S, et al. Biomarker Panels for Predicting Progression of Kidney Disease in Acute Kidney Injury Survivors. Clin J Am Soc Nephrol. 2024 Dec 13. doi: 10.2215/CJN.0000000622.

医脉通是专业的在线医生平台，“感知世界医学脉搏，助力中国临床决策”是平台的使命。医脉通旗下拥有「临床指南」「用药参考」「医学文献王」「医知源」「e研通」「e脉播」等系列产品，全面满足医学工作者临床决策、获取新知及提升科研效率等方面的需求。仅供HCP观看。

来源：医脉通肾内频道一点号1