IgA腎病的長期預后風險預測一直是醫學界的難題。近日，中國學者在腎臟病頂級期刊《美國腎臟病雜志》(AJKD) 上發表論文，介紹了如何利用AI技術，改善對IgA腎病的長期預后風險預測。這是全球第一篇發表在腎臟病頂級期刊上的AI疾病預測論文。

中國大約有1.2億慢性腎病（GKD）患者。其中有一種最常見的腎病，它的病因尚不完全清楚，且其遠期預后非常不理想。它就是 IgA 腎病（IgA nephropathy，IgAN），是全球范圍內發病率最高的原發性腎小球疾病之一，在亞洲人群中發病率尤高。

IgA腎病的遠期預后不佳，10?25 年內 30?40% 的患者會進入終末期腎病（腎衰竭）。終末期腎病患者通常需要進行透析或腎移植治療，人均治療花費10-15萬元/年，這給個人、家庭和社會帶來了沉重的負擔。因此，如何準確地對IgA腎病患者的預后風險進行預測，對于指導患者的個體化預防、治療和管理，以及相關臨床研究具有重要的意義。

近日，國家腎臟疾病臨床醫學研究中心（東部戰區總醫院）、平安醫療科技、IBM中國研究院聯合在腎臟病頂級期刊《美國腎臟病雜志》(AJ?D) 上發表論文《IgA腎病的腎臟終點預測和風險分層》，介紹了如何利用 AI 技術，改善對IgA腎病的長期預后風險預測。陳聽雨、李響、李映雪、夏爾玉、秦勇、梁少姍、徐峰、梁丹丹、曾彩虹、劉志紅等人是論文的貢獻者。

研究人員將 AI 算法與統計分析方法相結合，建立了一套精準、可解釋、臨床實用的 IgA 腎病患者預后風險預測系統。據悉，這是全球第一篇發表在腎臟病頂級期刊上的 AI 疾病預測論文。

長期隨訪患者數據，機?學習方法構建模型

既往研究發現影響 IgAN 預后的多項危險因素，包括基線尿蛋白 > 1g/d、高血壓、腎功能不全、高尿酸血癥、男性、嚴重病理評分等，并在此基礎上建立了多種預測 IgAN 預后的評分系統，但這些評分系統受制于樣本量小，病理評分標準不一， 納入特征少以及評分臨床實用性欠佳等缺點。

本文致力于使用 2047 例中國長期隨訪 IgAN 患者數據，借助機?學習方法，建立結合臨床及腎臟病理的預后風險預測模型及風險分層系統，使醫生可快速準確地預估患者的腎臟預后風險。

數據及實驗設計：

回顧性分析采用來自中國 18 個臨床中心的 1997 年 1 月～2010 年 6 月住院經腎活檢確診為 IgAN 患者的臨床及隨訪資料。數據涵蓋了患者的人口學特征、生理指標、病理指標等36個變量。臨床結局定義為 “eGFR 較基線下降≥50% 或 終末期腎病（end-stage kidney disease, ESKD)” 。

根據以上研究對象及觀察指標建立的預測模型，可以在患者活檢時預測以上臨床結局的風險，預測時間窗口為活檢后 5 年。

AI融合統計模型，兼顧模型精準度和實用性

XGBoost精準預測：

本文首先使用XGBoost方法進行了建模。

目前為止，XGBoost 方法在中小型結構 / 表格數據上已取得了無數卓越的成績。其作為一種基于決策樹的集成機?學習算法，使用梯度上升框架，適用于分類回歸問題，速度快，效果好。

本文選取 XGBoost 作為預測模型，除了其精準的預測能力外，還有一個更重要的原因，即 XGBoost 自動處理缺失值的能力。缺失值在醫療數據中一直是個無法避免又棘手的問題。由于大部分機?學習模型都需要較多的變量作為輸入，在實際臨床應用時很難將所需變量搜集完整。這一點阻撓了機?學習算法在臨床實踐中的廣泛應用。XGBoost 方法自動學習缺失值的分類方向，從而擺脫了在實際應用時缺失值造成的束縛。

本文輸出了重要性排名前十的變量（如下表）。在 NJIgAN?RSS 系統中，用戶可以根據實際情況填入這些變量的信息，獲取預測的風險概率。

Stepwise Cox 簡化評分：

為了進一步增強系統在臨床實踐中的實用性，本文進一步構建了無需借助計算機便能使用的打分模型。

Stepwise Cox 作為一種傳統的回歸分析模型，每個被選擇的變量都有一危險比（hazard ratio，HR），其統計學顯著性可用 p 值來評估，臨床解釋性能佳，故本文利用該方法建立簡化評分模型。

Stepwise Cox 在建模過程中自動進行特征選擇，但由于其采用的逐步遞歸特征選擇非常容易陷入局部最優解，所以直接基于原始的 36 個變量進行建模所得到的模型效果并不理想。

本文基于了 XGBoost 給出的對于模型分類效果具有顯著作用的 10 個變量作為初始變量，在此基礎上進行Cox 回歸建模， 從一定程度上減小了局部最優帶來的弊端。

本文通過 CHAID 方法進一步將 stepwise Cox 選出的變量進行離散化，將 Cox 回歸系數作為打分模型權重，得到了最后的打分模型。打分最終納入了 3 個變量：腎小管萎縮/間質性纖維化比例(%) （基于牛津分型分為 T1；T2）、球性硬化比例＞25%、尿蛋白＞1g/d， 最終將患者 3 個變量對應的得分相加，即得到患者的風險分層評分（risk stratification score，RSS），進一步將 0?1 分為低危組，2 分為中危組，3?4 分為高危組。

模型評價結果

XGBoost 模型在訓練集及驗證集上的 C?statistics 分別為 0.89、0.84。本文對比了 XGBoost 以及其他機?學習、統計方法的區分度性能，如下表。

簡化版評分模型在訓練集上的 C?statistic為 0.81 (95% CI, 0.76?0.86)，驗證集為 0.80 (95% CI, 0.75?0.84)。現有評分模型ARR 在本文訓練集上的 C?statistic為 0.71 (95% CI, 0.65?0.77)，驗證集為 0.74 (95% CI, 0.69? 0.78)。可見，本文所建立的評分模型與現有模型相比，在預測精準度上具有顯著的提高。

模型一致性結果如下圖所示，Hosmer?Lemeshow 檢驗所得統計值 1.144，p?value=0.8，說明此模型一致性結果較高。

下圖展示了風險得分為 0?4 分人群的 ?aplan? Meier 曲線（ES?D 及聯合結局）。Log?rank test 的結果（P < 0.001）說明發現利用本文的評分模型對 IgA 腎病病人的預后風險進行了很好的分層。

結論

本文建立了 IgAN 患者的腎臟預后風險預測系統 NJIgAN?RSS，包含了精準的 XGBoost 概率預測模型以及簡化版的 SSM打分模型，并對其進行了外部驗證。與現有的 ARR 模型相比取得了更加精準的預測性能。該項研究推動了 AI 算法在疾病預測方面的應用。

NJIgAN?RSS 系統已在網上公開發布（http://njszb. gdpcloud.com/），用戶輸入各項參數后，便可獲得患者五年內的預后風險概率以及風險等級。