可解释AI预测术后AKI：高风险CKD患者能否更早被识别？

慢性肾病（CKD）患者接受手术后发生急性肾损伤（AKI）的风险更高，而传统评分往往难以同时整合血流动力学、实验室和器官功能信息。2026年一项研究尝试用可解释机器学习提前识别这类高风险患者。

模型表现如何？

研究从 MIMIC-IV 数据库纳入 3,851 名合并 CKD 的手术患者，其中 24.2%（932人）发生术后 AKI。研究者比较了9种监督学习算法，XGBoost表现最佳：AUC为 0.844，准确率0.791，敏感度0.79，F1值0.73，校准曲线也显示预测风险与实际风险较为一致。

“可解释”体现在哪里？

团队使用 SHAP 分析拆解模型决策。对总体预测影响最大的因素包括 SOFA 评分、估算肾小球滤过率（eGFR）、收缩压、白蛋白和血磷。这使临床团队不仅看到一个风险百分比，还能理解该患者风险主要来自何处。

麻醉医生可以怎么用？

理想场景是把模型嵌入术前评估与术中监测：高风险患者可更早接受容量状态评估、肾毒性药物复核、血压目标个体化和术后肌酐监测。它更像风险分层工具，而不是自动开立治疗的“电子医生”。

局限性不能忽略

这项工作属于回顾性数据库研究，尚不能证明使用模型会减少 AKI。不同医院的检验频率、病例结构和诊疗流程可能明显影响性能；模型还可能把既有医疗偏差一并学进去。外部验证、前瞻性影响研究与报警疲劳评估，才是走向临床的关键。

参考文献：Wu M, et al. Machine learning-based risk prediction model for postoperative acute kidney injury in surgical patients with CKD. 2026. DOI｜PubMed

本文用于医学信息交流，不构成个体诊疗建议。