急性肾损伤风险评估模型研究

Acute kidney injury (AKI) is a multifactorial syndrome, a frequent clinical complication in hospitalized patients and responsible of a substantial morbidity and mortality. Unfortunately no reliable risk evaluation system which can predict the AKI are currently available. Our preliminary results show that when AKI TIMP - 2 and IGFBP7 expression level increased, it is involved in the pathogenesis of AKI, and the result helps to evaluate the AKI risk, at the same time, our previous study results indicate effectiveness using the SVM algorithm to solve the problems of the early diagnosis of AKI, diagnostic accuracy reached 91.67%, shows that the SVM in the early diagnosis of AKI is a more appropriate choice. So this study is proposed to construct including AKI patients personalized information such as gender, age, level of kidney function, disease, disease spectrum, the contrast agent used, SCr levels, urine volume, number of failure organs, APACHE Ⅲ score, blood purification methods, dosage, time and TIMP-2 and IGFBP7 urine biomarkers of database. We choose meaningful biomedical variables through factor analysis, hierarchical analysis, principal component analysis. Then we establish proper risk assessment model of AKI by the pattern recognition technology based on deep learning. The patients are divided into low risk, moderate risk and high risk in order to improve clinical diagnosis in the early AKI and provide the basis for identification of clinical emergency and severe cases of AKI.

急性肾损伤（AKI）是一种多因素所致综合征，发病率和死亡率较高，目前尚无合适的模型可对AKI进行风险评估。我们前期研究结果表明，TIMP-2和IGFBP7在AKI时表达水平增加，其参与AKI的发病机制并有助于AKI的风险评估，同时我们前期采用SVM算法解决AKI早期诊断问题的有效性，使诊断正确率达到91.67%，说明SVM在AKI早期诊断中是较为合适的选择。因此本申请拟构建AKI患者包括性别、年龄、基础肾功能水平、基础疾病、病因谱、造影剂使用、SCr水平、尿量、衰竭器官个数、APACHEⅢ评分、血液净化方式、剂量、时间及尿液TIMP-2和IGFBP7等标志物数据库，通过因子分析、层次分析、主成分分析等选出有意义的医学变量，采用基于深度学习的模式识别技术，建立合适的AKI风险评估模型。将患者分为低风险、中度风险、高风险，以期能够在AKI早期提高临床诊断率，为识别临床危急重症AKI提供依据。

一、背景.急性肾损伤（acute kidney injury，AKI）是由多种潜在病因导致的复杂综合征，肾移植术后、脓毒症是重症监护病房(Intensive Care Unit，ICU)中AKI的常见病因，与其他原因引起的AKI相比，手术及脓毒症相关急性肾损伤的死亡风险更高，住院时间更长，预后更差。但目前尚无合适的模型对其进行风险评估。基于前期研究结果，本项目留取外科ICU肾移植术后及脓毒症患者的临床资料及尿液标本，建立尿液分子标志物数据库。综合利用患者基本信息及肾损伤标志物IGFBP7、TIMP-2、NGAL、IL-18、KIM-1、L-FABP、NAG、Cys C等结果，通过深度学习构建AKI风险预测模型，早期识别AKI高风险人群，为改善患者预后提供证据。.二、主要研究内容：.（1）建立AKI风险评估模型，实现对高危人群的风险分级管理，为优化AKI治疗策略提供依据。 .（2）明确TIMP-2和IGFBP7在AKI风险评估中的价值，为揭示AKI的发病机制提供启示。 .（3）提取对AKI有价值的因子。.三、重要结果.基于改进的SMO-Stacking集成分类方法所构建的急性肾损伤风险评估模型，大大提高了对急性肾损伤患者的早期识别。.明确了生物标志物TIMP-2、IGFBP-7、Ang-2及常规实验室检测指标在脓毒症急性肾损伤早期诊断中的价值。.四、关键数据.基于改进的SMO-Stacking集成分类方法所构建的急性肾损伤风险评估模型，对急性肾损伤患者识别精度高达83.33%，具有较高的准确率。.生物标志物TIMP-2、IGFBP-7、Ang-2及实验室常规指标SOFA评分、N/L、PCT、CRP、D-Dimer、UA对AKI的早期诊断均有一定价值，AUC分别为0.674、0.805、0.793、0.832、0.649、0.825、0.688、0.677、0.75，且生物标志物IGFBP-7联合常规实验室指标SOFA、PCT、UA可提高早期诊断的灵敏度（96.4%）和特异度（78%）。.五、科学意义.急性肾损伤目前诊断方法的滞后性及不稳定性给急性肾损伤患者造成严重的不良预后。通过深度学习综合利用患者信息及生物标志物信息构建急性肾损伤风险评估模型，早期识别急性肾损伤高风险人群，以便确定个体化治疗方案，及时更改治疗方案，避免医疗资源浪费，减轻社会经济负担。