非重症患者急性肾损伤预测：回顾性外部和内部验证研究
内容提要
该文综述多项急性肾损伤（AKI）预测研究：血清肌酐结合MLP模型预测住院AKI风险，AUROC达0.92；处方药物指纹联合人口学与化验特征可提升预测性能；记忆网络识别出三种AKI亚表型；多数据源深度学习模型跨院表现相当；AKI-BERT提升早期预测；pyAKI实现KDIGO标准诊断；AICare可解释死亡预测；机器学习可提前一年预测肾脏替代治疗；因果建模估计万古霉素致AKI概率下界。
延伸解读
多模态数据提升AKI预测性能
文章指出，将处方药物信息（如扩展连接指纹）与人口统计学和实验室检测值结合，能显著改善急性肾损伤预测模型的性能，超过未包含药物特征的基线模型。这表明在重症监护场景中，药物数据对AKI预测具有重要价值，多模态融合是提升预测准确性的有效途径。
AKI亚表型与早期预测进展
利用记忆网络和深度学习分析患者电子病历，研究识别出三种AKI亚表型，有助于理解疾病病理生理并制定针对性干预。同时，基于BERT的AKI-BERT模型在MIMIC-III数据集上提升了早期预测性能，为临床早期预警提供了新工具。
跨机构验证与模型泛化
多数据来源的深度学习模型在不同医院间表现相当，且明确优化模型的方法并未显著提高性能。这提示模型泛化能力可能受数据多样性影响，跨机构验证是评估模型鲁棒性的重要环节，但优化策略需谨慎选择。
因果建模与临床决策支持
通过因果建模估计万古霉素致AKI的概率下界，并与医学专家定性估计比较，研究讨论了局限性和改进方向。该方法未来可能为医院药物安全监测提供数据支持，但当前仍需完善因果模型以提高可靠性。
Q&A
使用血清肌酐作为唯一特征预测急性肾损伤，哪种模型性能最好？
多层感知器（MLP）模型处理血清肌酐总和时性能最佳，AUROC为0.92，AUPRC为0.70。
药物处方数据如何帮助提升急性肾损伤预测模型的性能？
将药物特征（如扩展连接指纹）与人口统计学和实验室检测值等常见队列特征结合，能明显改善AKI预测性能，超过未包含药物表示的基线模型。
急性肾损伤有哪些亚表型？是如何发现的？
利用记忆网络和深度学习，基于患者患AKI前的结构化和非结构化电子病历数据，发现了三种AKI亚表型，有助于理解病理生理学并制定针对性干预措施。
AKI-BERT模型在早期预测急性肾损伤方面有什么优势？
AKI-BERT是基于BERT的模型，在MIMIC-III数据集上实验证明，其在AKI早期预测方面的性能有所提高，增加了BERT在疾病特定领域的应用。
pyAKI是什么？它有什么作用？
pyAKI是一个开源、高精度的应用时间序列数据实现急性肾损伤（AKI）诊断KDIGO标准的解决方案。
机器学习如何预测慢性肾脏病患者是否需要肾脏替代治疗？
利用机器学习模型动态识别慢性肾脏疾病患者，可提前至一年预测其是否需要肾脏替代治疗，对近三百万医保受益人进行超过八百万次预测，模型灵敏度和特异度超过90%。
