本期介绍由四川大学华西医院麻醉科杜磊教授及李茜教授研究团队近期在Journal of Clinical Anesthesia杂志（IF:9.452）上发表的题为“Prediction of the severity of acute kidney injury after on-pump cardiac surgery”文章。该模型通过整合了体外循环下心脏手术围术期危险因素实现对于术后急性肾损伤发生严重程度的危险分层，本期科研沙龙就此探讨基于临床数据的风险预测模型建立及评价。 

王义舜（第一作者），陈东旭（共同第一作者），严敏，武忠，郭应强，李茜及杜磊（通讯作者）。 

论文摘要

研究背景：（AKI）在体外循环下心脏手术患者群体中发病率较高，其严重程度不同可与患者病死率密切相关，然而当前相关研究多局限于AKI危险程度的预测。

研究方法：本研究基于国内两家医学中心的回顾性队列数据库，最终纳入了四川大学华西医院的6888名（开发队列）和浙江大学附属二院的1553名（外部验证队列）行体外循环下心脏手术患者进行模型的建立和验证。基于传统的单因素和多因素回归、LASSO回归及RF-RFE方法筛选出预测因子后，利用比例优势Logistic回归建立预测模型，以Nomogram图的形式可视化展示，并就模型的校准度、准确度及临床适用性进行了内外部验证。

研究结果：最终筛选出10个AKI严重程度预测因子: 年龄，性别，术前血清肌酐，血清胱抑素C和血尿素氮水平，术前红细胞计数，高血压，CPB时间，外科手术时长，和红悬输注量。 

在开发队列中，预测AKI-I级的一致性指数为0.730 (95% CI 0.713-0.747)，预测AKI-II级的一致性指数为0.772 (95% CI 0.738-0.806)，预测AKI-III级的一致性指数为0.770 (95% CI 0.712-0.828)。外部验证队列的相应指数为0.676 (95% CI 0.650-0.703)、0.730 (95% CI 0.691-0.769)和0.795 (95% CI 0.737-0.852)。

研究结论：基于10个因子的预测模型有助于预测体外循环下心脏手术后患者AKI的严重程度。 

Key points: 

Question（研究问题）：围心脏手术期间危险因素对于术后AKI的风险预测？

Findings（研究发现）: 利用两家医学中心的回顾性队列研究数据库，筛选出10个对于AKI严重程度预测因子，并在开发队列和外部验证队列中取得了满意的模型表现度。

Meaning（研究意义）: 本研究建立的预测模型有助于预测体外循环下心脏手术后AKI严重程度的风险预测，有望成为AKI发生前早期危险分层的重要手段。 

讨 论

1. 临床预测模型的变量筛选

变量的筛选应遵循以下几点原则，首先就是要结合本专业的临床专业知识，将具有临床意义的变量纳入其中，例如本文中Cys-C和术中RBC输注被纳入模型。再而，要考虑模型变量间的共线性问题，可通过VIF等方法来实现，同时LASSO回归本身就是解决共线性问题的方法。此外，可通过不同变量筛选算法及准则进行筛选，例如单多因素、LASSO及递减特征消除等方法。最后，要考虑样本量，并且遵循变量少而精的原则决定最终纳入变量数量。 

2. 模型建立及Nomogram可视化展示

本研究中的模型为参数化模型，可将模型中的OR值以森林图的形式展示出来，且本研究结果通过诺模图（Nomogram）的形式展示，使模型的临床应用更加方便。此外，对于建立起来的预测模型，亦可通过网页计算器，公式输出等形式展示。

3. 预测模型评价

区分度：通过一致性统计量（Concordance statistics，C 统计量）定量描述，有时也被称为模型的判别能力或排序能力，指模型区分发生终点事件的个体与未发生终点事件的个体的能力。一个具有良好区分度的模型，可将发生事件组的风险得分与未发生事件组的风险得分尽可能分散开，而区分度低的模型，则不具备这样的能力。

校准度：指预测与观察到的事件发生概率的一致程度，其中校准曲线（Calibration curve）是评价模型校准度最常见的方式。此外，也可通过其他定量指标来完成对校准度的评价，如校准斜率（Calibration slope），校准截距（Calibration intercept），和Brier Score等。

决策曲线分析法（Decision Curve Analysis，DCA）：是一种较新的综合评价预测模型临床应用价值的方法，一直在完善之中，并且Ann InternMed.、JAMA、BMJ、J Clin Oncol等杂志都已陆续发文，推荐使用决策曲线分析法。其横坐标表示模型预测阈概率值（Threshold Probability），纵坐标表示概率决策后利减去弊之后的净获益率（Net Benefit）。评价准则为模型预测净收益曲线离两种极端情况越远越好。

4. 其他注意事项

样本量计算：基于由BMJ发表的 “4-Target原则”方法，即实现准确估计结局整体风险所需样本、个体预测值具有较小平均误差所需样本、减少模型过拟合所需样本和保证开发模型Cox-Snell R2与Nagelkeke R2存在较小差异四个目标，根据模型类型选择合适的方法和工具计算，取最大样本量以保证模型预测功效。

缺失数据的描述及处理：在临床研究中，缺失值很难完全避免，TRIPOD指南中也要求描述和汇报缺失值。BMJ发布的统计指南认为，缺失值不应该删除或忽略，当前主流的统计教科书中推荐10-20%之间缺失可以进行插补。对于缺失值的处理方法有很多，例如，简单插补，IPTW加权处理，多重插补等技术。本研究综合考虑根据变量性质、缺失比例（10%以下），选择不同模型MICE多重插补。

连续型变量转换：变量转换方法很多，可根据现有明确临床定义（如，贫血、BMI等），三分/四分位数化，ROC曲线及Youden指数，X-tile软件，及K-M曲线等方法。本文利用RCS曲线，定性及定量观察变量与结局指标间的相关关系，来决定合适的临界值取值。 

第一作者：王义舜 陈东旭

通讯作者：杜磊 李茜