首页 > 论文范文 > 医药卫生论文 > 骨科疾病论文 > 肌少症论文 > 终末期肾病患者肌少症风险预测模型的研究进展

终末期肾病患者肌少症风险预测模型的研究进展

2025-03-05 39 上传者：管理员

摘要：肌少症是终末期肾病患者常见的并发症之一，易导致多种不良结局，该文对终末期肾病患者肌少症风险预测模型的危险因素、构建及验证方法进行综述，旨在为构建高质量的风险预测模型提供参考。

关键词：
ESRD
终末期肾病
肌少症
肌肉结构改变
肾功能衰退
加入收藏

终末期肾病(endstagerenaldisease,ESRD)肌少症是指患者由于肾功能衰退,出现肌肉力量减弱､身体机能下降和选择性肌肉结构改变等症状[1,2]｡研究[3,4]发现ESRD患者肌少症的发生率介于20%~73.5%｡肌少症易导致患者躯体功能下降,增加跌倒和骨折的风险,延长住院时间并增加护理成本[2],造成医疗资源浪费｡指南[5]认为识别肌少症高风险特征是降低其发生率的关键,并推荐开发便于临床应用的筛查与评估工具｡因此,采用预测模型对肌少症风险进行早期评估尤为重要｡风险预测模型通过整合多种风险因素,运用数学建模和优化技术,以评估个体发生某种结局事件的概率,在识别肌少症高危人群方面发挥重要作用[6]｡目前,国内外已有多个ESRD患者肌少症风险预测模型,本文旨在评价､分析和比较现有模型的构建及验证方法,以期为国内学者精准选择和优化ESRD患者肌少症风险预测模型提供借鉴｡

1、独立风险因素预测肌少症发生风险

1.1相位角

相位角(phaseangle,PhA)通过生物电阻抗分析评估人体细胞电学特性的参数,可以反映炎症水平和肌肉健康等信息｡多项研究显示PhA能预测透析患者肌少症风险｡WangY等[7]通过Logistic回归确定PhA对肌少症具有预测作用,并将PhA<4.95°作为截断值,PhA每降低1°时,肌少症的风险增加2.56倍｡该结果与韩国学者DoJY等[8]的研究类似,但PhA的临界值因受试群体､测量设备及诊断标准不同而具有差异性｡尽管利用PhA参数能简化复杂的预测模型,其临床适用性仍需验证｡

1.2生物学指标

2022年,ChenR等[9]提出三酰甘油-葡萄糖(triglyceride-glucose,TyG)指数为非糖尿病ESRD患者肌少症评估指标,最佳截断值为8.39mg/dl,受试者工作特征曲线下面积(AUC)为0.707｡同年,日本学者MaeY等[10]利用肌酐生成率评估130例透析患者的肌少症情况,最佳临界值为109.83%,AUC为0.830｡2023年,WangJ等[11]发现中性粒细胞/淋巴细胞比值是ESRD患者肌少症的最佳预测因子,AUC为0.695｡综上所述,上述3个参数在肌少症预测中具有一定能力,且指标客观易采集｡然而,肌少症是一种复杂的多因素综合征,独立风险因素的预测价值有限｡同时,上述研究缺乏内部和外部验证,模型实际转化与应用较少,未来应更加重视模型的验证及其在临床实践中的应用｡

2、传统统计学算法模型

目前,ESRD患者肌少症风险预测模型主要基于Logistic回归,并通过截断值进行分层评估｡其中,部分研究采用列线图可视化模型,提升其直观性｡列线图模型通过多条平行线整合并分析已确定的风险因素来预测疾病发生的概率[12],有助于更便捷地筛选肌少症高危群体｡

2.1Logistic模型

2.1.1基于前瞻性数据的Logistic模型2023年,日本学者SenzakiD等[13]采用前瞻性方法,初步纳入42个潜在危险因素,通过Logistic回归分析共筛选出10项独立危险因素,模型训练集和验证集AUC为0.81和0.73｡该模型纳入的危险因素相对全面,数据易于获取且客观｡但研究未报告生物电阻抗测量时间,且研究对象为日本患者,生活习惯和饮食方式的差异可能影响结果的普适性,该模型在我国ESRD群体中的适用性仍需进一步验证｡

2.1.2基于回顾性数据的Logistic模型2021年,LinTY等[14]基于身体成分监测仪和双能X线吸收测定法的指标构建模型,选取年龄､性别､体质量及体内总水分身体细胞量作为预测因子,经测试模型表现良好(男性:AUC=0.945,女性:AUC=0.940)｡但该模型以人体成分因素为主,未纳入生化指标､透析相关因素及营养评分等与肌少症密切相关的变量,限制了模型的全面性｡施晴波等[15]收集126例非糖尿病透析患者的人体成分､透析相关因素以及合并症等资料｡采用向后逐步Logistic回归分析确定年龄､白蛋白､TyG指数和脑源性神经营养因子为独立预测因子,并构建联合TyG指数和脑源性神经营养因子的预测模型(AUC=0.939),其预测性能优于单独使用TyG指数(AUC=0.740)和脑源性神经营养因子(AUC=0.727)｡相较于ChenR等[9]仅使用TyG指数作为肌少症预测指标,该模型更推荐应用于非糖尿病透析患者｡

2.1.3基于横断面研究的Logistic模型2022年,ChenY等[16]联合应用年龄和PhA预测101例腹膜透析患者肌少症发生风险,结果显示AUC为0.91,优于单独应用年龄(AUC=0.88)或PhA(AUC=0.79)｡模型的预测性能在性别上存在差异,女性和男性的最佳PhA截断值分别为5°(AUC=0.70)和5.3°(AUC=0.85),最佳年龄临界值为54岁(AUC=0.87)和52岁(AUC=0.89)｡然而,该研究为横断面设计,可能无法揭示暴露因素与肌少症之间的时间序列关系,影响模型的稳定性;同时,该研究的样本量较小,可能难以准确反映腹膜透析患者的整体情况｡

2.2列线图模型

2022年,宝群等[17]发现透析龄､合并认知功能障碍､同型半胱氨酸､营养不良-炎症评分和鸢尾素是肌少症高危因素,并建立列线图模型,其AUC为0.829｡然而,由于同型半胱氨酸和鸢尾素检测较复杂,需采用酶标仪及酶联免疫吸附法,限制了模型的推广性并影响预测因子信息收集的时效性｡

2023年,XieD等[18]回顾性分析了757例透析患者的临床资料,确定了年龄､握力､体质量和性别是肌少症的独立危险因素,模型训练集和验证集AUC分别为0.929和0.955,表现良好｡然而,由于数据均来自中国南部地区,预测性能可能受地域和人口特征差异的影响,未来需要跨地区比较研究｡DuX等[19]基于年龄､小腿周径､肌酐和体质量指数(bodymassindex,BMI)等4个指标构建预测模型,AUC为0.922｡该模型还纳入了体力活动水平､焦虑和抑郁等行为与心理因素,这在以往的研究中较少被关注｡该研究在丰富肌少症危险因素的维度上具有重要意义｡未来研究应进一步探讨心理和行为因素对肌少症发生的作用机制,并结合不同地域和人群的特点,优化风险预测模型｡

2.3风险评分模型

2022年,CaiG等[20]基于回顾性分析,构建的风险评分模型包含5个风险因素:年龄≥60岁､C反应蛋白≥3mg/L､血清磷(<1.13mmol/L､1.13~1.78mmol/L)､上臂肌围<22.64cm和BMI(<18.5Kg/cm2､18.5~24.9kg/cm2),并赋予不同的权重,模型的最佳风险阈值为121分,总分高于121分视为高风险｡该模型操作简便､临床实用性强,有助于直观地识别肌少症高危因素｡然而,该研究将风险因子中的多个连续变量转换为分类变量,易导致选择偏倚,且该模型仅能区分高低风险群体,限制了个体化预测的精确性｡

3、机器学习算法模型

近年来,互联网和大数据技术的发展促进了数据分析与机器学习算法在临床疾病诊断和预测领域的应用,使其逐步成为医疗科技领域中的研究热点[21]｡机器算法因在处理复杂数据时表现出的高精准度而受到研究者的关注[22],并在肌少症预测研究中得到应用｡

2022年,WuJ等[23]采用Logistic回归和Lasso回归筛选因子,并使用逻辑回归､支持向量机和神经网络算法构建6种预测模型,经内部验证,Lasso回归结合支持向量机的模型表现最佳,AUC为0.82,灵敏度和特异度分别为0.91和0.96,显示出较强的风险区分能力｡2023年,LiaoH等[24]开发了性别特异性风险模型,利用随机森林的特征重要性和Lasso回归筛选出15个预测因子,并通过逻辑回归和随机森林等10种算法构建模型｡结果显示,男性特征危险因素为年龄､甲状旁腺激素和空腹血糖值,投票分类器预测性能优于单一模型,AUC为0.874;女性特征危险因素是年龄､透析后肌酐､无血管通路的手臂和总胆红素,支持向量机算法的整体表现最佳,AUC为0.776｡

以上2个模型均采用多种回归算法对变量进行筛选,但两者均存在样本量过小的劣势,与LiaoH等[24]采用SMOTE过采样技术平衡数据集不同,WuJ等[23]未处理小样本的问题,可能影响参数估计的准确性｡此外,有研究[25]表明衰弱与肌少症具有相关性,但上述模型均未纳入衰弱评分,未来模型构建中应考虑增加临床衰弱量表和医院衰弱风险评分｡

4、终末期肾病患者肌少症发生风险预测模型的比较

4.1肌少症风险预测因子的比较

由于研究类型和人群的差异,本研究纳入的风险因素不尽相同,但存在共性｡高龄普遍被认为是肌少症的重要风险因素,CaiG等[20]将年龄≥60岁视为肌少症的风险因素,而ChenY等[16]则认为≥52岁是风险因素｡年龄作为不可改变的预测因素,成年人从30岁开始每年会损失1%~2%的肌肉量,80岁时每年损失量高达30%[26],医护工作者应定期评估老年透析患者肌肉状况｡此外,上臂肌围､BMI和握力被多项研究确认是肌少症的预测因子[13,18-20],作为可改变的预测因子,临床实践中需平衡ESRD患者的饮食并增加日常运动时间,以减缓肌肉流失｡此外,性别､透析龄等因素也被认为与肌少症有密切关联｡综上所述,医务人员应重点关注上述共性因素,及时识别风险人群｡同时,应结合ESRD患者个体化风险因素制定相应的预防策略,以提升肌少症的管理和预防效果｡

4.2模型构建方法的比较

在研究设计选择方面,仅1项研究[13]采用了前瞻性设计,其余均为横断面和回顾性设计｡回顾性研究在获取数据时便利､省时,但可能导致部分重要信息缺失,影响预测模型的准确性｡而前瞻性研究能提供更全面的资料信息,可以更加准确地探讨各危险因素与肌少症之间的关系｡在预测因素选择方面,仅1项研究[20]基于专家咨询和文献回顾,其余研究均依赖自行设计的调查表｡在算法选择方面,多数研究仍使用传统统计学方法,尽管LiaoH等[24]和WuJ等[23]采用机器学习算法构建预测模型,两者在预测性能上并未显著优于传统的Logistic回归,这可能与数据量和复杂性有关｡因此,未来研究应探索简化机器学习的方法,以开发高效且易于临床应用的智能预测系统｡

4.3模型评价和验证方法的比较

在模型评价方面,7项研究[7,9,10,14,15,18,24]未报告模型的校准度,9项研究[7,9,10,13-15,17,18,24]未提供决策效益,使得模型的拟合度和应用效益无法评估｡在模型验证方面,5项研究[13,17,18,20,24]进行了内部验证,采用Bootstrap重抽样及分层shuffle拆分等方法;3项研究[13,18,19]经过了外部验证,其余研究未提及外部验证方法｡内部验证有助于减少过拟合现象,确保结果的可靠性;外部验证则通过临床应用测试模型的预测性能,并结合原始资料或新收集的数据对模型进行动态更新与优化,提高泛化能力[27]｡因此,建议在模型开发过程中同时加强内外部验证,以确保模型的稳健性和实际应用价值｡目前,ESRD患者肌少症风险预测模型的研究呈现重开发､轻应用的不平衡状态,未来应进行大规模的临床实践,以完善现有模型｡

5、小结与展望

目前,Logistic回归仍是构建ESRD患者肌少症预测模型的主要方法｡随着人工智能发展,机器学习和深度学习在数据处理方面展示出巨大优势,开发基于人工智能技术的风险预测模型是未来研究的趋势与热点｡已有的2个基于机器学习构建的模型样本量均较小,模型预测性能欠缺,限制其临床应用与推广｡未来在构建ESRD患者肌少症风险预测模型时可以从以下方面进行优化与完善:①采用人工智能的方法构建模型:机器学习能处理复杂的数据模式和关系,但部分模型使由于算法过于复杂且包含大量预测因子,限制了其在临床实践中的应用｡因此,未来研究应着重简化模型结构,优化特征选择,提升模型的可解释性,有助于医疗人员理解模型是基于何种特征进行风险评估,并在临床实践中为患者提供更科学地决策支持;②模型构建时应充分考虑其简便性和适用性｡模型的简便性体现在预测因子的可获得性和评估过程的便捷性,在选择预测因子时,应遵循“节俭原则”,尽量减少难以获取的变量,以降低过拟合风险并提高模型的推广性｡在评估过程中,优先利用已有的居民健康档案､电子病历等健康数据,借助计算机程序评估风险,实现疾病管理的批量化和自动化｡模型的适用性取决于构建人群的代表性,由于各地区间肌少症的患病率､个体危险因素以及医疗卫生水平的差异可能干扰已有模型的推广和应用,未来研究可针对不同类型的ESRD患者建立初始模型,结合目标地区的危险因素水平､疾病结局以及医疗卫生服务水平对“初始模型”进行校准,构建适用于特定地区的预测模型｡

参考文献:

[4]董志娟,张海林.维持性血液透析患者肌少症发生的危险因素分析[J].护理学杂志,2018,33(09):20-24.

[15]施晴波,樊璠.三酰甘油-葡萄糖指数､脑源性神经营养因子对非糖尿病维持性血液透析患者的肌肉减少症的诊断价值分析[J].中国血液净化,2024,23(01):30-34.

[17]宝群,闫燕,丁秀和.维持性血液透析患者肌少症与同型半胱氨酸､鸢尾素及营养不良-炎症评分的关系[J].中国血液净化,2022,21(10):744-748.

[21]曲超然,王青,韩琳,等.机器学习算法在压力性损伤管理中的应用进展[J].中华护理杂志,2021,56(02):212-217.

[22]郑晓燕.基于机器学习的心血管疾病预测系统研究[D].北京交通大学,2018.

[27]宋思平,刘晓晴,蒋琪霞.压力性损伤风险预测模型的研究进展[J].中华护理杂志,2020,55(04):628-631.

基金资助:浙江省医药卫生科技计划(2021KY468);浙江省医药卫生科技计划(2023KY520); 浙江省中医药科技计划(2022ZB040);

文章来源:陈璐晨,沈华娟,董永泽,等.终末期肾病患者肌少症风险预测模型的研究进展[J].中国血液净化,2025,24(03):235-238.