要点
- 慢性肾脏病患者中的肺动脉高压常因早期症状不典型及筛查不足而被漏诊。
- 利用基础临床数据的机器学习模型可预测肺动脉高压风险，关键预测因子包括低血红蛋白和升高的N末端B型利钠肽原。
- 逻辑回归模型表现最稳定，为慢性肾脏病患者的肺动脉高压风险评估提供了实用工具。
- 研究局限性包括样本量小和回顾性设计，需在更大规模队列中进一步验证。
研究人员开发了一种可可靠预测慢性肾脏病患者肺动脉高压（PH）风险的机器学习模型。
肺动脉高压是慢性肾脏病（CKD）患者中一种严重且常被漏诊的并发症，影响约五分之一的各阶段肾功能障碍患者；然而，在慢性肾脏病患者中识别肺动脉高压风险仍面临挑战。在一项新研究中，研究人员引入了一种基于机器学习的模型，仅使用基础临床和实验室数据即可准确评估慢性肾脏病患者发生肺动脉高压的可能性。
尽管肺动脉高压与心血管死亡和生存率降低密切相关，但在慢性肾脏病患者中，它常被忽视直至晚期阶段，主要因为其早期症状——疲劳、呼吸急促和运动耐受不良——缺乏特异性。此外，超声心动图筛查通常仅针对长期透析或肾移植前评估的患者。因此，许多高危患者直至发生不可逆的血管重塑后才被诊断。
研究人员在《临床高血压杂志》上发表的研究中，对440名慢性肾脏病患者（其中一半患有肺动脉高压，一半未患）的数据进行了回顾性分析。为创建预测模型，研究团队采用多种高级特征选择技术，包括最小绝对收缩和选择算子回归，以识别与肺动脉高压最相关的变量。
在25个初始特征中，5个被确定为关键独立预测因子：低血红蛋白、升高的γ-谷氨酰转移酶（GGT）、高N末端B型利钠肽原（NT-proBNP）、冠心病存在以及低甘油三酯水平。这些标志物共同反映了贫血、氧化应激、心脏负荷和代谢功能障碍之间的相互作用，这些是慢性肾脏病人群中肺动脉高压的核心成因。
研究人员指出，该研究突显了常见生化和心血管参数如何反映早于明显肺动脉高压的早期病理生理变化。低血红蛋白和升高的NT-proBNP提示缺氧和心脏负荷增加，而高GGT水平和冠状动脉疾病则反映氧化应激和血管损伤。出乎意料的是，低甘油三酯水平也与更高的肺动脉高压风险相关，可能源于营养不良或代谢改变。
研究团队开发并评估了8种不同的机器学习模型，其中逻辑回归模型展现出最稳定和可推广的性能，在训练集和验证队列中受试者工作特征曲线下面积（AUROC）分别达0.772和0.782。
研究人员写道：“该模型表现强劲，为慢性肾脏病患者的随访期间肺动脉高压风险评估提供了实用工具。当预测风险超过临界值时，模型能有效识别可能受益于进一步诊断评估的患者。”
相比之下，随机森林和XGBoost等更复杂的模型在训练期间准确率略高，但存在过拟合问题，在外部验证中表现不够稳定。决策曲线分析证实了逻辑回归模型的临床价值，其在广泛决策阈值范围内提供了有意义的净获益。当模型预测肺动脉高压风险超过46.8%时，作者建议应优先安排患者进行超声心动图评估或转诊至心脏病专科。
通过提供一种经济高效、数据驱动的方法，利用标准实验室和医疗记录数据对肺动脉高压风险进行分层，该新模型可由基层医生和肾病专家整合到电子健康记录系统中，以标记最可能从早期超声心动图或心肺评估中受益的患者。
研究人员承认了若干局限性，包括相对较小的样本量和回顾性设计。由于仅分析了住院患者，研究结果可能无法完全代表更广泛的慢性肾脏病人群。此外，超声心动图虽广泛应用，但在确诊肺动脉高压方面不如右心导管检查精确。研究团队建议在更大规模的多中心队列中进行前瞻性验证，并探索该模型与新兴生物标志物和影像学方法的联合应用。
参考文献
- 顾W, 李L, Ahmad A, 等. 一种基于机器学习的模型用于估计慢性肾脏病患者的肺动脉高压风险. 《临床高血压杂志》. 2025年9月11日在线发表.
- Suresh H, Arun BS, Moger V, Vijayalaxmi PB, Mohan KT. 慢性肾脏病患者肺动脉高压的前瞻性研究：一种新型且有害的并发症. 2018;28(2):127-134.
【全文结束】
