关键词:
慢性肾脏病
早期筛查
流行病学
预测模型
摘要:
目的:慢性肾脏病(Chronic Kidney Disease,CKD)是全球性公共卫生问题,其早期筛查的研究始终是国际社会聚焦的关键议题。本研究旨在通过分析四川省人民医院院内CKD早期筛查的流行病学情况,研究建立基于医院信息系统的CKD早期筛查系统及预测模型,提高CKD早期筛查和识别的效率及准确性,为CKD的早期管理、延缓CKD的进展提供重要基础。
方法:研究对象为在2023年1月1日至2023年6月30日期间,于四川省人民医院就诊并经筛查系统识别有异常检测结果的门诊患者。利用医院内信息系统对就诊患者实验室结果进行监测,并通过后期随访明确研究对象的CKD诊断情况。回顾分析确诊及排除CKD诊断患者的基线资料、既往病史及实验室检查结果等数据。最后将数据随机分为训练集(70%)和测试集(30%),利用XGBoost机器学习算法构建CKD早期预测模型,绘制受试者工作特征曲线(ROC)并计算曲线下面积(AUC)评估模型性能,运用SHAP值分析模型的可解释性。
结果:2023年1月1日至2023年6月30日共筛查患者432057人次,筛查阳性的患者有99023人次,其中门诊中筛查阳性的患者共计52386人次,门诊患者筛查阳性率约27.94%,最终发送成功14410条短信,覆盖11782例患者。截至2024年2月,有23.2%(2728名患者)的筛查阳性患者回诊,有651例患者不能确定是否患有CKD,在余下的2077名患者中,有1416例(占68.2%)患者被诊断为CKD。院内门诊患者CKD早期筛查的流行病学分析显示:年龄的增长、具有糖尿病病史、高血压病史、高尿酸血症病史、风湿免疫系统疾病病史均会增加筛查阳性人群确诊CKD的概率。纳入涉及261例明确CKD诊断情况患者的1100条实验室数据进行XGBoost机器学习建模,预测模型的AUC值在训练集和测试集上分别为0.935和0.900。
结论:本研究建立的基于医院信息系统门诊患者的慢性肾脏病筛查系统在该人群的CKD早期筛查中是有效的,且具有一定的准确性,尤其是男性、高龄、以及患有高血压、糖尿病、高尿酸血症、泌尿系统结石和风湿免疫系统疾病的门诊患者。通过机器学习建立的CKD早期筛查预测模型能够提高早期筛查的准确性。结合医院信息系统及人工智能的院内门诊患者CKD早期筛查系统能够提高早期CKD识别的效率,从而启动相应的管理,最终达到延缓慢性肾脏病进展的目的。