基于心率变异系数的心力衰竭患者并发急性肾损伤预测模型构建OA

目的分析心率变异系数(HCV)与心力衰竭(简称心衰)患者并发急性肾损伤(AKI)的关联,基于HCV构建预测模型,探讨其对心衰患者发生AKI的预测效能。方法基于MIMIC-Ⅳ重症监护数据库,回顾性选取3185例心衰患者的资料进行研究。采集患者人口学信息、合并症、实验室指标、药物使用情况等基线数据,并根据HCV四分位数将患者分为Q_(1)、Q_(2)、Q_(3)、Q_(4)组,以AKI发生为主要观察终点。采用Kaplan-Meier曲线、Cox比例风险回归模型及受限立方样条(RCS)分析HCV与AKI之间的关联,并通过亚组分析检验交互效应。采用机器学习方法,构建HCV预测AKI结局的模型:先使用Boruta算法进行变量筛选,根据筛选结果,分别构建列线图、随机森林(RF)、支持向量机(SVM)及极限梯度提升(XGBoost)机器学习模型。绘制受试者工作特征(ROC)曲线,并计算曲线下面积(AUC),综合评估各模型的预测效能。选取AUC最高的模型进行SHAP分析,以可视化解释模型预测过程中各特征的贡献及其作用方向。结果3185例患者中,并发AKI 2288例,Q_(1)、Q_(2)、Q_(3)、Q_(4)组分别为615、575、559、539例,Q_(1)组AKI发生率高于Q_(2)、Q_(3)、Q_(4)组(P均<0.05)。Cox回归与RCS分析显示,HCV与AKI风险呈显著负相关(P均<0.05)。通过Boruta算法筛选出包含HCV在内的18个特征变量,基于此构建的XGBoost模型表现出良好的预测效能(训练集AUC=0.802)。SHAP解释进一步确认了HCV在模型中的有效贡献,并可视化展示了其对个体预测风险的影响。结论HCV是心衰患者并发AKI的独立预测因素,基于HCV的机器学习模型具有良好的预测效能与可解释性,可为AKI的早期风险识别提供潜在的临床辅助工具。