慢性肾病（CKD）是一种复杂的渐进性疾病，其特征是肾功能持续下降，最终可能发展为终末期肾病（ESRD）。全球CKD患病率在8-16%之间，约5-10%确诊患者最终进入ESRD阶段，这已成为重大公共卫生挑战。
在最新研究中，研究人员运用机器学习和深度学习模型，结合可解释性人工智能技术，对整合临床与保险数据进行分析，显著提升了CKD进展至ESRD的预测能力。多源数据整合模型表现优于单一数据源模型，这将有助于优化CKD管理、实施精准干预并减少医疗资源分配差异。
这项由卡内基梅隆大学完成的研究发表于《美国医学信息学协会杂志》。研究负责人Rema Padman教授指出："我们的研究建立了稳健的ESRD预测框架，通过整合多源数据和高级分析技术改进临床决策。未来研究将拓展数据整合范围，并将此框架应用于其他慢性病研究。"
CKD进展分为五个阶段，当肾功能下降至正常水平的10-15%时即进入需要透析或移植的ESRD阶段。美国Medicare数据显示，CKD患者虽占少数，却消耗了不成比例的高额医疗支出。更严峻的是，超三成ESRD患者出院30天内出现再入院，凸显了早期检测和管理的重要性。
研究团队分析了2009-2018年间10,000余名CKD患者的临床与保险数据，采用五种观察窗口评估统计模型、机器学习和深度学习方法。通过可解释性AI技术增强模型可解释性并降低偏差，其中24个月观察窗口在早期检测与预测准确性间取得最佳平衡。使用2021版估算肾小球滤过率方程后，不仅提升了预测精度，还显著降低了对非洲裔美国患者的种族偏差。
共同作者Yubo Li博士指出："我们的整合数据框架填补了关键空白，通过整合多源数据而非孤立分析，平衡了临床相关性与患者中心的实用性。这种整合在提升预测准确性的同时也增强了临床实用性，为改善患者预后提供了决策支持。"
研究局限性包括数据来源单一机构可能影响模型推广性，以及电子健康记录可能存在的观察偏差、数据缺失和特定患者群体代表性不足等问题。
延伸阅读：Yubo Li等人的研究《Enhancing end-stage renal disease outcome prediction: a multisourced data-driven approach》已发表于《美国医学信息学协会杂志》（DOI: 10.1093/jamia/ocaf118）。
【全文结束】