随机森林模型预测急性心肌梗死后急性肾损伤

目的:建立随机森林模型预测急性心肌梗死（acute myocardial infarction,AMI）患者并发急性肾损伤（acute kidney injury, AKI）。方法:使用温州医科大学附属东阳医院大数据平台,筛选出1 363例患AMI的病例,确定30个变量后,统计分析样本临床特点,将样本划分为75%的训练集建立随机森林模型,以及25%的测试集进行验证,使用R语言进行数据的筛选及模型的建立。最后根据特异性、敏感性、准确性、受试者特征工作特征曲线(relative operating characteristic curve, ROC曲线)等来评估模型性能,同时与其他三种常用的机器学习算法（神经网络,朴素贝叶斯,支持向量机）的模型性能进行比较。结果:AMI合并AKI的患者的人口学信息、心血管疾病的危险因素、入院时的生命体征、实验室检查等与未合并急性肾损伤的患者存在差异性。模型评估后得出测试集的ROC曲线下面积为0.893,特异度为0.791,灵敏度为0.866,其中入院首次肌酐、首次尿素、D-二聚体、年龄、机械通气是其最重要的影响因素。在本研究中,多种机器学习算法比较后,随机森林模型较有优势。结论:建立的随机森林模型具有帮助预测AMI并发AKI的潜力。     

急性心肌梗死病例致急性肾损伤危险因素分析

目的调查急性心肌梗死（AMI）患者发生急性肾损伤（AKI）的危险因素。方法连续收集北京大学人民医院2013年10月至2014年5月符合 AMI 诊断标准病例,排除包括年龄＜18岁、住院时间＜2 d、临床资料不完备、住院期间发生感染中毒性休克等并发症及终末期肾脏病或已行透析患者,从基线资料、心肌梗死病情、实验室检查、药物以及器械辅助等治疗等方面收集资料,并进行回顾性研究,分为有 AKI 及无 AKI 两组,利用 SPSS 19软件进行组间差异比较,以 P＜0.05为差异具有统计学意义,从而获得 AKI 相关危险因素。结果共入选病例565例,发现 AKI的发病率为16.1％,其中 AKI 组患者病死率为19.8％,非 AKI 组病死率为0.4％（P ＜0.01）。单因素组间比较筛选出的危险因素包括：（1）基本病史年龄、高血压史、陈旧性心肌梗死、心力衰竭史、慢性肾脏病史、脑梗死史、周围血管病史;（2）心肌梗死病情心室纤颤、心率、Killip分级≥3级、左心室射血分数;（3）实验室资料血肌酐、eGFR、血红蛋白、尿素氮、肌钙蛋白I、B 型脑钠肽、C 反应蛋白、空腹血糖、白蛋白;（4）药物及器械辅助等治疗呋塞米最大日剂量、未使用 ACEI ／ARB 类药物及他汀类药物、使用主动脉内球囊反搏、安置临时起搏器、实施冠状动脉介入治疗及冠状动脉旁路移植手术、进行机械通气治疗（P ＜0.05）。结论本研究通过对AMI 后 AKI 的危险因素进行分析,有助于识别高危患者,早期采取预防措施。     

基于随机森林的男性急性心肌梗死诊断模型建立及验证

目的利用随机森林建立及验证男性急性心肌梗死诊断模型。 方法检测2016年1至6月于武汉大学人民医院心内科住院的205例心绞痛或急性心肌梗死男性患者的血清生化及生物标志物指标,其中151例患者作为训练集,54例患者作为验证集。用随机森林对指标预测急性心肌梗死的重要性进行排序。根据袋外数据误差,赤池信息量准则和贝叶斯信息量准则对排序指标进行筛选并构建诊断模型;多维标度法(MDS)观察模型对急性心肌梗死和心绞痛的区分能力;用验证集数据验证模型对心绞痛和急性心肌梗死的鉴别能力。 结果19个指标根据平均准确度下降程度和平均基尼(Gini)指数下降程度进行重要性排序。用袋外数据误差,赤池信息量准则和贝叶斯信息量准则筛选出C-反应蛋白、中性粒细胞绝对值和血糖3个变量,并纳入模型。通过MDS法观察到多半样本得到良好的区分,但部分样本仍难以区分开。在外部验证中,31例急性心肌梗死患者有26例(83.87%)被正确识别;在23例心绞痛患者中有19例(82.61%)被正确识别。 结论基于随机森林的诊断模型建立能较好区分急性心肌梗死与心绞痛。     

急性心肌梗死后的急性肾损伤北大核心CSCD

急性心肌梗死（acute myocardial infarction,AMI）是临床上常见的急危重症。肾功能是影响AMI患者长、短期预后的独立危险因素。研究报道,AMI患者为住院期间发生急性肾损伤（acute kidney injury,AKI）的高危人群,其发生率约为7．1％～22％。当AMI并发心源性休克（cardiacshock,CS）时,AKI发病率更可高达55％。     

非ST段抬高型急性心肌梗死患者急性肾损伤危险因素分析

目的 探讨非ST段抬高型急性心肌梗死(non-ST-segment elevation myocardial infarction,NSTEMI)患者发生急性肾损伤(acute kidney injury,AKI)的危险因素,初步建立AKI的预警评分.方法 选择2011年1月至2014年4月从广东汕头市中心医院急诊科转移到心血管内科的NSTEMI患者296例.回顾性收集患者的人口统计学资料、发生AKI前后的临床资料和实验室检查结果.根据患者住院后是否发生AKI分为AKI组和非AKI组.以单因素分析筛选出有统计学意义的危险因素,再通过多元逐步Logistic回归分析确定NSTEMI患者住院后发生AKI相关独立危险因素,进而根据各危险因素的比值比(OR值),初步建立预警评分,应用受试者工作特征(ROC)曲线下面积(AUC)评价其分辨能力,采用Hosmer-Leneshow拟合优度检验评价其校准能力.结果 共入选296例NSTEMI患者,AKI发病率为18.4％,其中AKI I期35例(64.8％),AKIⅡ期12例(22.2％),AKIⅢ期7例(13.0％);Logistic回归分析显示:年龄、心功能Killip分级、贫血、发病至急诊科时间,未使用β-受体阻滞剂是NSTEMI患者住院后发生AKI的独立危险因素;进而初步建立NSTEMI患者发生AKI的预警评分,总分为各独立危险因素评分之和,最高分为13分,根据约登指数,预测AKI风险的最佳界值为3.5分,从而获得评分系统的风险分层标准为:评分≤3.0分预示低危风险,评分≥4.0分预示高危风险.初步建立AK1评分系统分辨能力较高(AUC=0.806,P＜0.01),具有较好的校准能力(Hosmer-Lemeshow拟合优度检验P=0.503).结论 年龄、心功能Killip分级、贫血、发病至急诊科时间,未使用β-受体阻滞剂是NSTEMI患者住院后发生AKI的独立危险因素;初步建立的AKI预警评分可能有助于急诊医师早期识别高危AKI患者并进行积极干预.     

基于人工智能的急性肾损伤预警系统研究进展

急性肾损伤(acute kidney injury,AKI)是由多种病因导致的肾功能短期内急剧下降,具有发病率高、致死率高、临床预后差等特点。对于AKI患者早期识别、早期诊断并适时给予干预措施是改善患者不良预后的关键。随着人工智能的普及,AKI预警系统经历了从基于简单算法的电子警报到多特征学习预测模型的逐步发展,能够利用多维复杂的临床数据主动识别高危人群,提醒临床医生早期干预以改善患者不良预后。本文就人工智能在AKI预警系统中的研究进展进行综述。     

急性肾损伤动物模型及体外模型研究进展

近年来急性肾损伤（acute kidney injury, AKI）发病率迅速上升,其发病原因复杂多样,目前缺乏有效治疗策略。可靠稳定的动物模型及体外模型在AKI发生发展及防治研究中具有重要作用。该文从肾前性、肾性以及肾后性3个层面,聚焦啮齿类动物模型及细胞模型,对缺血、肾毒性药物以及尿路梗阻引发的AKI模型进行了综述。     

中性粒细胞绝对值、尿肾损伤分子1与经皮冠状动脉介入治疗后缺血再灌注急性肾损伤的相关性

目的 探讨中性粒细胞绝对值(ANC)、尿肾损伤分子1(KMI-1)与急性心肌梗死(AMI)患者经皮冠状动脉介入治疗(PCI)后缺血再灌注急性肾损伤(AKI)的相关性。方法 纳入行PCI的114例AMI患者为研究对象,根据患者PCI术后72 h内是否发生AKI分为AKI组和非AKI组。比较两组一般资料、PCI后2 h的ANC、尿KMI-1与其他实验室指标,分析ANC、尿KMI-1与AMI患者PCI后缺血再灌注AKI的关系。记录患者术后3个月心血管不良事件,分析ANC、尿KMI-1水平与心血管不良事件发生的关系。结果 AKI组病变冠状动脉支数≥3支占比、ANC、C反应蛋白(CRP)、肌酐(Cr)、尿KMI-1水平均高于非AKI组,淋巴细胞绝对值(ALC)低于非AKI组,差异有统计学意义(Z=3.50,t分别=3.67、2.12、6.24、8.36、2.96,P均<0.05)。经logistic回归分析结果显示,ANC、Cr、尿KMI-1与AMI患者PCI后缺血再灌注AKI有关(OR分别=5.04、1.32、1.36,P均<0.05);ANC、尿KMI-1单独及联合模型预测的曲线...     

肺移植术后急性肾损伤研究进展

急性肾损伤是肺移植术后常见的并发症之一,与患者的不良预后有关。随着日益增长的肺移植需求和肺移植术后生存率 的提高,目前临床对急性肾损伤的认知和处置仍有很多问题亟待解决。患者术前的基本状况、术中及术后等多种因素均与急性 肾损伤的发生具有相关性：基线的肌酐水平、基础诊断、手术过程以及术后长期接触钙调磷酸酶抑制剂和其他肾毒性药物等。 在临床护理中,及时识别并最小化上述风险因素的影响,可以降低高危患者急性肾损伤的发病率、减轻肾损伤的严重程度。同 时,日常密切监测血清肌酐水平、尿量以及特定生物标志物可帮助早期识别急性肾损伤,并采取干预措施以降低急性肾损伤的 发生率。本综述总结了现阶段急性肾损伤的诊断标准、影响因素、流行病学及生物标志物的相关研究进展,以期对目前的研究 做个总结。肺移植术后急性肾损伤的研究数量仍然有限,未来仍需更多的临床研究来发现能精准、灵敏反映肾功能损伤的指标, 制定更准确、灵敏的急性肾损伤诊断标准,以方便临床早期识别、干预高危患者,改善患者预后。     

降钙素原预测急性胰腺炎患者急性肾损伤发生的价值研究

目的：探讨降钙素原（PCT）在预测急性胰腺炎患者（AP）急性肾损伤（AKI）发生中的临床价值。方法：以我院2012年1月至2013年3月AP住院患者205例作为研究对象,依前3 d内是否发生AKI将患者分为AKI组（n＝32）和对照组（n＝173）,比较两组间肌酐（Crea）、尿素（Urea）、胱抑素C（Cys C）、PCT、血清淀粉样蛋白A（SAA）、白介素－6（IL-6）、C反应蛋白（CRP）差异;受试者工作曲线（ROC）分析PCT、SAA、IL-6和CRP对AP并发AKI的预测效能。结果：AKI组与对照组PCT、CRP和IL-6比较差异有统计学意义（P＜0．05）,而Urea、Crea、CysC和SAA间差异无显著性（P＞0．05）。PCT预测AKI发生的ROC曲线下面积（AUC）大于CRP、IL-6和SAA,差异有统计学意义（P＜0．05）。结论：PCT是预测AP患者并发AKI的早期、灵敏和特异的标志物。     

Early prediction of acute kidney injury in patients with acute myocardial injury

Introduction

Previous studies have revealed that acute myocardial infarction (AMI) with acute kidney injury (AKI), about 17%, is strongly related to long-term mortality and heart failure. The dynamic changes in renal function during AMI are strongly related to long-term mortality and heart failure.

Objectives

Our study used clinical parameters and AKI biomarkers including neutrophil gelatinase–associated lipocalin, interleukin (IL)-6, IL-18, and cystatin C to evaluate prognostic relevance of AKI in the setting of AMI.

Methods

This prospective study was conducted from November 2009 to January 2011 and enrolled sequential 96 patients with catheter-proven AMI; it was approved by the institutional review board of Chang Gung Memorial Hospital, Taiwan (institutional review board no. 99-0140B) and conformed to the tenets of the Declaration of Helsinki. The definition of AKI is the elevation of serum creatinine of more than 0.3 mg/dL within 48 hours.

Results

Our results show that the incidence of AKI after AMI is 17.7% (17 patients). The following could be statistically related to AKI after AMI: age (P = .012), cardiac functions (Killip stage and echocardiogram; P = .003 each), Thrombolysis in Myocardial Infarction (TIMI) flow grade (P < .001), stenting (P < .001), neutrophil gelatinase–associated lipocalin (P = .005), IL-6 (P = .01), IL-18 (P = .002), and cystatin C (P = .002) in serum. The TIMI flow grade and serum cystatin C were shown to be important predictors by using multivariate analysis. Both TIMI flow lower than grade 2 and serum cystatin C of more than 1364 mg/L could be used to predict AKI (both overall correctness, 0.78). Moreover, IL-6 in serum is also associated with the major cardiovascular events after AMI (P = .02), as demonstrated in our study.

Conclusion

In conclusion, the worse TIMI flow and high plasma cystatin C can be used to predict AKI after AMI. Moreover, IL-6 can also be used as a 30-day major cardiovascular event indicator after AMI. A larger prospective and longitudinal study should follow the relationship between AKI predictors after AMI.     

Machine learning approach to predict acute kidney injury after liver surgery

BACKGROUNDAcute kidney injury (AKI) after surgery appears to increase the risk of death in patients with liver cancer. In recent years, machine learning algorithms have been shown to offer higher discriminative efficiency than classical statistical analysis.AIMTo develop prediction models for AKI after liver cancer resection using machine learning techniques.METHODSWe screened a total of 2450 patients who had undergone primary hepatocellular carcinoma resection at Changzheng Hospital, Shanghai City, China, from January 1, 2015 to August 31, 2020. The AKI definition used was consistent with the Kidney Disease: Improving Global Outcomes. We included in our analysis preoperative data such as demographic characteristics, laboratory findings, comorbidities, and medication, as well as perioperative data such as duration of surgery. Computerized algorithms used for model development included logistic regression (LR), support vector machine (SVM), random forest (RF), extreme gradient boosting (XGboost), and decision tree (DT). Feature importance was also ranked according to its contribution to model development.RESULTSAKI events occurred in 296 patients (12.1%) within 7 d after surgery. Among the original models based on machine learning techniques, the RF algorithm had optimal discrimination with an area under the curve value of 0.92, compared to 0.87 for XGBoost, 0.90 for DT, 0.90 for SVM, and 0.85 for LR. The RF algorithm also had the highest concordance-index (0.86) and the lowest Brier score (0.076). The variable that contributed the most in the RF algorithm was age, followed by cholesterol, and surgery time.CONCLUSIONMachine learning algorithms are highly effective in discriminating patients at high risk of developing AKI. The successful application of machine learning models may help guide clinical decisions and help improve the long-term prognosis of patients.     

外伤性心肌损伤误诊急性心肌梗死一例

外伤性心肌损伤是钝性胸部外伤后的一种少见并发症,其最常见的症状是非特异性胸痛,其次为室性早搏和束支传导阻滞,伴有心肌坏死标志物轻度升高,需与急性心肌梗死鉴别。我院接收1例外伤性心肌损伤误诊为急性心肌梗死的病例,经过相应检查除外了急性心肌梗死,此类患者应引起各专业医生的关注,特别是老年患者,多合并基础心血管疾病,在临床工作中更应重视。     

慢性心绞痛史及梗死前心绞痛对急性心肌梗死心肌损伤及预后的影响

目的探讨有无慢性心绞痛史及梗死前心绞痛对急性心肌梗死患者心肌损伤及预后的影响。方法选择2003年1月至2007年12月确诊为急性心肌梗死而收住院的93例急性心肌梗死患者,根据其急性心肌梗死发病前心绞痛病史情况分为4组,慢性心绞痛组（Ⅰ组）、梗死前心绞痛组（Ⅱ组）、慢性心绞痛伴梗死前心绞痛组（Ⅲ组）、无心绞痛组（Ⅳ组）,分别观察心肌梗死范围,测定心脏肌酸磷酸激酶（CPK）、同功酶（CK—MB）、血清肌钙蛋白（CTnT）、C-反应蛋白（CRP）和尿微自蛋白分泌率（AER）变化,以及住院期间严重心脏并发症（严重心律失常、KillipⅡ级以上心力衰竭、心源性休克）、心源性病死率、梗死后心绞痛发生率。结果小面积心肌梗死前发生率Ⅰ、Ⅱ、Ⅲ组明显高于Ⅳ组,差异有统计学意义（P〈0．05）;CK、CK—MB、CTnT峰值浓度、CRP、AER变化,Ⅰ、Ⅱ、Ⅲ组明显低于Ⅳ组,差异有统计学意义（P〈0．05）;严重心脏并发症,除心律失常外,Ⅰ、Ⅱ、Ⅲ组明显低于Ⅳ组,差异有统计学意义（P〈0．05）,心律失常Ⅱ、Ⅲ组明显低于Ⅰ、Ⅳ组,差异有统计学意义（P〈0．05）;梗死后心绞痛及住院病死率Ⅰ、Ⅱ、Ⅲ组明显低于Ⅳ组,差异有统计学意义（P〈0．05）。结论梗死前有心绞痛史及梗死前心绞痛可减少其后发生急性心肌梗死时心肌损伤的程度,并影响预后。     

急诊住院患者急性肾损伤的预测模型构建

目的:建立急诊住院患者急性肾损伤(acute kidney injury, AKI)发病的预测模型,并进行验证。方法:连续收集2014年10月至2015年9月复旦大学附属中山医院310例急诊科住院患者入院时的临床资料。采用单因素logistic回归计算各指标预测发生AKI的OR值及P值;多因素logistic回归采用逐步后退法,筛选出独立危险因素并纳入预测模型。将310例患者随机分为2组,206例为训练组,用其指标构建模型,104例为验证组。计算模型在2组的区分度(ROC曲线)、校准度(校准曲线)和临床适用性(DCA曲线)。采用多因素logistic回归分析筛选出的独立危险因素绘制列线图,预测急诊住院患者AKI的发生风险。结果:AKI的发病率为36.1%(112/310)。血红蛋白、尿素、肌酐、血清镁等11项指标在AKI组与非AKI组间差异有统计学意义(P0.05)。多因素logistic回归显示,白蛋白、肌酐、血清镁、血糖是AKI发生的独立危险因素(P0.05)。AKI预测模型为logitic(PAKI)=-0.113白蛋白+0.021肌酐+3.837血清镁+0.108血糖-2.878,高于0.398认为存在AKI。此模型在训练组和验证组的AUC分别是0.790(95%CI 0.722～0.859,P0.001)、0.752(95%CI 0.646～0.858,P0.001)。校准曲线U检验显示,训练组与验证组的校准度均较好(P0.05)。DCA曲线显示,该模型具有较好的临床适用性。结论:该含血清镁的模型对急诊住院患者AKI发生有较好的预测价值,对临床具有较好的指导作用。     

依达拉奉对急性心肌梗死溶栓后再灌注损伤的影响

目的探讨依达拉奉对急性心肌梗死(AMI)溶栓后再灌注损伤的影响。方法 69例AMI患者被随机分为治疗组(n=35)与对照组(n=34)。观察2组再灌注心律失常发生率、溶栓后动态血清酶学、治疗后的心功能测定。结果两组治疗后再灌注心律失常发生率、动态血清酶学、左室射血分数均有显著性差异(P<0.01)。结论 依达拉奉具有降低AMI溶栓后心肌再灌注损伤的作用,并能改善近期心功能。