基于机器学习的慢性肾脏病患者左心室心肌肥厚预测模型构建及验证

摘要

目的 通过机器学习算法评估慢性肾脏病(chronic kidney disease, CKD)患者发生左心室心肌肥厚(left ventricular hypertrophy, LVH)的危险因素，并以此构建相关预测模型。方法 纳入2019年6月至2024年6月在厦门第五医院肾内科就诊的674例轻中度CKD患者，计算左心室质量指数(left ventricular mass index, LVMI),将其分为左心室心肌肥厚组(238人)和正常组(436人)。卡方检验、独立样本t检验进行组间差异性分析。分别使用“randomForest”、“gbm”、“treebag”、“pls”、“nnet”和“rjags”算法对数据进行随机森林、梯度提升、树袋模型、偏最小二乘法、神经网络和贝叶斯分析，探索最优评估CKD患者发生LVH的预测效能，基于最优算法的相关危险因素进行列线图绘制。“pROC”R包进行模型效能ROC曲线绘制。“rms”和“ResourceSelection”R包进行校正曲线绘制、校正C指数分析和Hosmer-Lemeshow检验。结果 CKD患者发生LVH预测效能算法由高到低依次是：随机森林、树袋模型、梯度提升、贝叶斯、偏最小二乘法和神经网络。随机森林算法中影响LVH的危险因素由高到低依次是：性别、血肌酐、肾小球滤过率、年龄、BMI、CKD分期和血红蛋白。基于上述因素构建的列线图具有较高的预测效能。模型内部验证ROC曲线显示，训练集AUC为0.721,验证集AUC为0.747。校准曲线显示，预测概率与实际观察结果高度一致，训练集和验证集的校准曲线均紧密贴合理想对角线，模型预测风险准确可靠。结论 本研究通过机器学习算法构建了CKD患者发生LVH的预测模型。随机森林算法表现最佳。列线图模型预测效果良好，为LVH的早期预测提供了有效工具。

关键词

慢性肾脏病 / 左心室心肌肥厚 / 危险因素 / 预测模型 / 机器学习 / 随机森林