目的：预测糖尿病肾病(DKD)的进展对改善预后至关重要。我们试图验证一种结合电子健康记录(EHR)和生物标志物的机器学习预后风险评分(KidneyIntelX™)。

方法：这是一项观察性队列研究，研究对象是来自两个EHR相关生物库的DKD的患者。训练随机森林模型，将其性能(AUC、阳性和阴性预测值[PPV/NPV]和净重分类指数[NRI])与临床模型和肾病进行比较:改善全球结局(KDIGO)类别预测eGFR下降≥5 ml/min /年、持续下降≥40%或5年内肾衰竭的复合结局。

结果：在1146例患者中，中位年龄为63岁，51%为女性，基线eGFR为54 ml min - 1[1.73 m] - 2，尿白蛋白/肌酐比值(uACR)为6.9 mg/mmol，随访4.3年，21%有复合终点。在衍生交叉验证(n= 686)中，KidneyIntelX的AUC为0.77 (95% CI 0.74, 0.79)。在验证中(n=4 6 0)， AUC为0.77 (95% CI 0.76, 0.79)。相比之下，临床模型的衍生AUC为0.62 (95% CI 0.61, 0.63)，验证AUC为0.61 (95% CI 0.60, 0.63)。使用衍生临界值，KidneyIntelX将46%、37%和17%的验证队列分别分为低、中、高危组，以确定复合肾脏终点。根据KDIGO分类，高危组肾功能进行性下降的PPV为61%，高危组为40% (p< 0.001)。在使用KidneyIntelX评分为低风险的患者中，只有10%的患者出现进展(即NPV为90%)。高危组的NRI_event为41% (p<0.05) 。

图1 显示相对特征重要性的Shapley加法解释(SHAP)图。SHAP汇总图根据特征的重要性排序。每个图都是由训练数据集的单个点组成的，较高的值为深紫色，较低的值为黄色。如果中线一侧的点更多紫色或黄色，这表明数值分别在增加或减少，使预测朝着那个方向移动。例如，较高的收缩压与复合肾脏结局的高风险相关。

图2 (A) KidneyIntelX预测派生集合中的风险，(B)KidneyIntelX预测验证集合中的风险，以及(C)根据派生和验证集合中复合肾脏终点的风险来预测DKD患者的KidneyIntelX得分分布。(a，b)事件用橙色圆点(进展)表示，代表5年内的复合肾脏终点。无事件用蓝点表示(无进展)，表示在随访期内没有复合肾事件。(C)点代表累积发病率：蓝色，低风险10%(6%，14%)；粉红色，中度风险22%(16%，28%)；红色，高风险61%(50%，71%)

图3 KidneyIntelX的测试特点和综合临床模型

图4 KidneyIntelX风险分层的Kaplan-Meier曲线显示，在衍生(A)和验证(B)集合中，EGFR持续下降40%或肾衰竭的终点。衍生出的用于验证的风险界限为：低风险0.061129-0.061129，中等风险0.061129-0.30209，高风险0.30209-1。在衍生集合中，45%为低风险，40%为中度风险，15%为高风险。在验证组中，46%为低风险，37%为中度风险，17%为高风险。高危与低危的HR在推导时为18.3(95%CI 10.1，33.1)，在验证时为14.7(95%CI 7.8，27.6)。高危与中危的HR在推导时为5.7(95%CI 3.7，8.7)，在验证时为6.0(95%CI 3.5，10.0)。高风险与低风险和中风险合并的HR在推导时为9.2(95%CI 6.2，13.6)，在验证时为9.1(95%CI 5.8，14.4

结论：与KDIGO和临床模型相比，KidneyIntelX改善了早期DKD患者肾脏预后的预测。

原文出处：

 Chan L,  Nadkarni GN,  Fleming F,et al,Derivation and validation of a machine learning risk score using biomarker and electronic patient data to predict progression of diabetic kidney disease.Diabetologia 2021 Jul;64(7)