基于人工智能建立和评估抗肿瘤药物相关急性肾损伤的临床预测模型

来源：中国血液净化杂志2026年第06期北京时间：

作者：李泽薇 张 怡 濮丽天 李 力 杨 萌 熊丽焱 崔健臣 沈 颖 王新宇 邓钦元 徐 剑

单位：650032 昆明，云南省第一人民医院1肾内科 2内分泌与代谢科 3麻醉科650032 昆明，4昆明理工大学附属医院肾内科

摘要：目的 探讨抗肿瘤药物相关急性肾损伤(acute kidney injury，AKI)的危险因素，并建立人工智能(artificial intelligence，AI)预测模型。 方法 选取2015年1月1日—2023年8月1日在云南省第一人民医院确诊的恶性肿瘤患者，根据改善全球肾脏病预后(Kidney Disease:Improving Global Outcomes，KDIGO)临床实践指南标准分为AKI组和非AKI组。采用单因素及多因素Logistic回归分析筛选抗肿瘤药物相关AKI的独立危险因素，并构建决策树、随机森林等机器学习模型。采用受试者工作特征曲线下面积(area under curve,AUC)等指标评估模型性能。 结果 共纳入272例患者，其中AKI组89例，非AKI组183例。单因素Logistic回归分析显示：体质量指数(body mass index,BMI)正常(OR=0.533,95%CI：0.295～0.964，P=0.037)、曾接受放疗(OR=0.369,95%CI：0.147～0.922，P=0.033)或手术的患者(OR=0.142,95%CI：0.065～0.311，P＜0.001)AKI发生风险较低；呼吸系统肿瘤(OR=2.162，95%CI：1.172～3.991，P=0.014)、顺铂治疗(OR=2.135，95%CI：1.178～3.869，P=0.012)和非铂类化疗药物(OR=9.247，95%CI：4.271～20.017，P＜0.001)为独立危险因素。决策树模型AUC=0.660，LASSO回归模型AUC=0.864，神经网络模型AUC=0.833，随机森林模型在所有模型中表现最优，AUC为0.870，召回率为0.919。 结论 基于随机森林算法建立的AI模型可早期识别抗肿瘤药物相关AKI的高危患者，为临床干预提供决策支持。

关键词：人工智能；急性肾损伤；机器学习；预测模型

基金资助：国家自然科学基金(82460150)；云南省万人名医计划(YNWR-MY-2018-019)