重症监护医学信息数据库Ⅲ中的重症患者早期急性肾损伤风险分析

曹 璐，韩欣妍，唐伟丽，李 崇，董亚琳，邢建峰*

1.西安交通大学药学院，西安 710061；2.西安交通大学口腔医院药剂科，西安 710004；3.西安交通大学第一附属医院药学部，西安 710061

急性肾损伤（AKI）严重影响肾脏结构和功能，主要表现为肾功能的急性减退，是重症患者常见并发症之一，发生率高达25.0%～57.3%［1-3］。及时鉴别AKI高风险患者，并进行干预，能够有效改善患者预后［4-6］。由于不同医疗机构之间的差异性，以及患者群体的不同，导致AKI的早期诊断复杂化［7-8］；在AKI早期阶段，及时进行诊断与管理，能够延缓AKI以及慢性肾脏疾病的发展［9-10］，对预防肾衰竭的发生有重要意义。

本研究拟通过重症监护医学信息数据库Ⅲ（MIMIC-Ⅲ），分析重症患者在入ICU 后48 h 内发生AKI的风险因素，对早期AKI风险人群的及时干预、管理提供重要依据。

1 资料与方法

1.1 数据来源

MIMIC-Ⅲ，v.1.4由麻省理工学院计算生理学实验室进行维护，包含了2001 年6 月～2012 年10月以色列医疗中心超过46 000名患者的信息。已完成“Protecting Human Subjects”培训的研究人员可以访问该数据库。作者已获得数据库权限（认证号：35842213），并负责数据提取。本研究通过Postgre SQL tools V.1.12.3对数据进行提取。

1.2 研究对象

纳入标准：所有重症患者。排除标准：①年龄＜18岁，年龄＞90岁；②入ICU 48 h内死亡的患者；③入ICU 48 h内缺失血肌酐值；④多次入ICU 患者仅保留第一次收住ICU 的数据。

1.3 早期AKI定义

患者收入ICU 48 h内，血肌酐值与基线值相比升高1.5倍，或血肌酐值升高0.3 mg·d L－1［11］。

1.4 结局指标

主要结局指标为48 h AKI发生率、院内死亡率，次要结局指标为ICU 住院时间。

1.5 统计学方法

对连续变量进行正态分布检验，对于符合正态分布的连续变量，采用±s进行统计描述，通过Student’st检验对组间差异进行分析；对于不符合正态分布的连续变量，采用中位数（四分位间距）进行统计描述，通过Wilcoxon秩和检验或Kruskal-Wallis检验对组间差异进行分析。分类变量采用频数及百分比进行统计描述，通过χ2检验对组间差异进行统计学分析。

根据单因素分析结果，当P＜0.1时纳入多因素分析，通过逐步后退Logistic回归法确定重症患者发生早期AKI的影响因素。根据Logistic回归分析结果，建立重症患者早期AKI预测模型，并采用列线图对模型进行可视化分析；通过受试者工作特征曲线（ROC）及曲线下面积（AUC）确定模型的预测效能。

本研究使用Postgre SQL 数据库进行数据提取和清洗，所有统计分析均采用Stata V.14.0 进行。以P＜0.05为差异具有统计学意义。

2 结果

2.1 早期AKI发生情况

从MIMIC Ⅲ数据库中提取得到61 532条患者记录，多次入ICU 患者仅纳入第一次入ICU 的数据，去重后，共纳入46 476例患者。根据剔除标准，最终纳入34 599例患者，其中2 150例患者在收入ICU 48 h内发生AKI，早期AKI发生率为6.21%。见表1。

表1 患者纳入流程Tab.1 Flowchart of patients included

2.2 患者的基本特征

在本研究所纳入的34 599例患者中，男性患者占57.9% （n＝20 029），女 性患者 占42.1% （n＝14 570），平均年龄为62 岁；患者身体质量指数（BMI）均值为29 kg·m－2，序贯器官衰竭评分（SOFA 评分）的中位值为3，ICU 住院时间的中位数为2.2 d，死亡患者2 621例，院内死亡率为7.6%。

2.3 重症患者发生早期AKI的影响因素分析

在本研究所纳入的患者中，发生早期AKI的患者有2 150例，发生率为6.21%。单因素分析发现，与非早期AKI组相比，发生早期AKI组患者年龄更大，SOFA 评分更高，且合并冠状动脉疾病、高血压、糖尿病、贫血及肝脏疾病的比例更大，差异均具有统计学意义（P＜0.05）；早期AKI组患者初始血小板计数、白蛋白、血清肌酐值、血尿素氮等指标均低于非早期AKI组，血沉、白细胞计数、乳酸、血糖、总胆红素等指标均高于非早期AKI组，差异均具有统计学意义（P＜0.05）。见表2。

表2 患者入ICU 后48 h内发生AKI的单因素分析Tab.2 Univariate analysis of AKI within 48 hours after ICU admission

本研究所纳入患者的院内死亡率为7.6%，发生早期AKI和非早期AKI的患者院内死亡率分别为12.1%（n＝260）、7.3%（n＝2 361），差异具有统计学意义（P＜0.001）；发生早期AKI患者ICU 住院时间显著延长［3.5（1.9～7.5）vs.2.1（1.2～4.1），P＜0.001］。

2.4 重症患者发生早期AKI影响因素的Logistic回归分析

根据单因素分析结果，将P＜0.1 的变量纳入Logistic回归分析，结果显示，年龄、SOFA 评分、冠状动脉疾病、白细胞计数、糖尿病及贫血是重症患者发生早期AKI的独立危险因素，男性、血尿素氮、血清肌酐及血小板计数是重症患者发生早期AKI的独立保护因素，见表3。

表3 重症患者发生早期急性肾损伤的多因素分析Tab.3 Multivariable analysis of early AKI in critically ill patients

2.5 列线图的建立及验证

根据多因素Logistic回归分析的结果，建立预测重症患者发生早期AKI风险的列线图，见图1。动态列线图见图2。

图1 评估重症患者早期AKI风险的普通列线图Fig.1 General nomogram assessing the risk of early AKI in critically ill patients

图2 评估重症患者早期AKI风险的动态列线图Fig.2 Dynamic nomogram assessing early AKI in critically ill patients

列线图由14 条横轴组成，第2～11 条对应Logistic回归模型上的10个变量，通过在分数轴上做一条垂线，为这些变量分配一个特定分数，将所有变量的分数相加，并在总分轴上定位这个分数，以确定早期AKI的发生风险。通过动态列线图可以进一步直观观察到各因素的评分分布，确定保护因素和危险因素。

以回归模型为检验变量，是否发生早期AKI为状态变量，构建ROC曲线（见图3）和校正曲线（见图4）对模型预测效能进行验证。结果显示，Logistic回归模型预测早期AKI的ROC 曲线下面积（AUC）为0.762（95%CI：0.751～0.772）；当折点为－2.7 时，敏感度和特异度分别为71.07%、69.32%。校正曲线也显示实际观察与模型预测基本保持一致。

图3 Logistic回归模型的ROC曲线Fig.3 The ROC curves of the logistic regression model

图4 Logistic回归模型的校正曲线Fig.4 Corrected curve of the logistic regression model

3 讨论

AKI是重症患者主要的并发症之一，目前尚无有效治疗方法，针对AKI的治疗仍以预防和控制并发症的对症治疗为主［12-13］，高风险患者的早期鉴别与管理是改善患者预后的关键所在［4-6］。在前期的研究中，患者群体常为某种疾病并发AKI，具有一定局限性，不能完全预测重症患者发生AKI的风险。本研究依托MIMIC Ⅲ数据库，共纳入34 599 例重症患者，数据量庞大，能很好地代表重症患者群体，模型适用范围更为广泛，当患者入ICU 后，可根据患者各项生物指标以及合并的基础疾病，确定患者48 h内发生AKI的风险，及时鉴别并采取相应干预措施。

近年来，随着AKI诊断及分级标准的发展，提高了研究人员对重症患者AKI的发生、发展进程的理解，然而，在AKI的及时诊断、治疗和预后方面，仍存在很大的异质性［14］。很多肾损伤指标如细胞周期停止标志物等，都被用于AKI的早期诊断研究，表现出良好的预测效能［15-16］，但并未应用于常规临床护理中。基于生物标志物的预测，耗费成本较高，且易预测失效。对于AKI等复杂疾病的预测，应结合流行病学特征、临床表现、遗传因素及生物指标等［17］。

本研究所发现的一些风险因素，例如贫血、合并冠状动脉疾病、糖尿病等，与现有研究所发现的风险因素相一致［2-18］。本研究还发现，在模型中，性别、血小板计数等也是重症患者入ICU 48 h内发生AKI的独立影响因素；与前期研究［2］的不同之处在于本研究发现女性患者早期AKI发生率显著高于男性患者（6.73%vs.5.84%，P＝0.001）；前期的研究［19-20］发现，在肝移植患者及冠状动脉搭桥术后左心室射血分数受损的患者中，女性是发生AKI的独立风险因素，与本研究结果类似。在KATE R J等［14］的研究中，住院患者入院48 h内AKI的发生率为2.62%，而本研究所针对的患者为重症患者，病情较重，所以本研究中重症患者早期AKI发生率为6.21%，发生早期AKI患者的死亡率为12.10%，显著高于非早期AKI患者（7.30%，P＜0.001）；发生早期AKI患者的ICU住院时间显著长于非早期AKI患者（P＜0.001）。

本研究根据患者相关临床信息建立了简明、可靠的风险模型，能够在患者入ICU 时，即预测出患者48 h内发生AKI的风险。本研究所建立的风险模型有助于临床医生及时鉴别AKI高风险患者，并进行有效干预，如尽可能保证容量及灌注压、考虑功能性的血流动力学监测及血清肌酐与尿量监测、停止所使用的肾毒性药物等［11-21］。从后续研究的角度考虑，本研究有助于推进关于AKI的更加优良、有效的临床试验，优化风险人群筛选的相关研究的进行。

本研究也存在一定的局限性。首先，本研究所使用的数据来自于单一医疗机构，因此，需要使用其他来源的数据对该模型进行验证；其次只能预测患者在收住ICU 48 h内发生AKI的风险，对于患者因治疗其他疾病而导致的AKI无法预测。