大数据分析驱动糖尿病肾病预后预测模型

大数据分析驱动糖尿病肾病预后预测模型演讲人01大数据分析驱动糖尿病肾病预后预测模型02引言：糖尿病肾病预后预测的临床需求与技术革新03糖尿病肾病的临床特征与预后预测的现实挑战04大数据技术在DKD预后预测中的基础支撑05DKD预后预测模型的关键技术与实现路径06DKD预后预测模型的临床验证与价值体现07挑战与未来展望：迈向“个体化动态精准预测”08参考文献目录01大数据分析驱动糖尿病肾病预后预测模型02引言：糖尿病肾病预后预测的临床需求与技术革新引言：糖尿病肾病预后预测的临床需求与技术革新在临床一线工作十余年，我见证过太多糖尿病肾病（DiabeticKidneyDisease,DKD）患者从早期蛋白尿进展至终末期肾病（ESRD）的艰难历程。作为糖尿病最主要的微血管并发症，DKD目前全球患病率已达30%-40%，其中约20%-40%的患者将在10年内进展为ESRD，需要依赖透析或肾移植维持生命[1]。更令人痛心的是，传统预后评估工具——如KDOQI指南推荐的基于蛋白尿、估算肾小球滤过率（eGFR）的分期系统——仅能反映疾病“静态”状态，无法捕捉个体化进展轨迹，导致约30%的“低风险”患者仍会unexpectedly快速进展[2]。这一临床痛点，恰恰是大数据技术切入的突破口。随着医疗信息化、可穿戴设备、基因组学的发展，我们拥有了前所未有的多维度、高频次数据资源：从电子健康档案（EHR）中的实验室检查、用药记录，到动态血糖监测（CGM）生成的血糖波动数据，引言：糖尿病肾病预后预测的临床需求与技术革新再到肾脏穿刺的病理影像和全外显子测序的基因变异信息。如何将这些碎片化数据转化为可解释、可落地的预后预测模型？这不仅是对算法工程师的挑战，更是对临床医学思维的革新——从“群体标准”走向“个体精准”，从“经验判断”走向“数据驱动”。本课件将系统梳理大数据分析在DKD预后预测中的应用逻辑，从临床需求出发，拆解数据整合、模型构建、临床验证的全流程，并探讨当前挑战与未来方向，为DKD的精准管理提供理论框架与实践参考。03糖尿病肾病的临床特征与预后预测的现实挑战1糖尿病肾病的定义与临床分期DKD是糖尿病导致的肾脏结构性及功能性异常，病理特征以肾小球基底膜增厚、系膜基质扩张、结节性肾小球硬化等为主[3]。临床上，DKD的诊断通常基于：①糖尿病病史；②持续性白蛋白尿（尿白蛋白/肌酐比值UACR≥30mg/g）或eGFR下降（eGFR<60mL/min/1.73m²）；③排除其他肾脏疾病[4]。根据KDOQI指南，DKD可分为5期（G1A3-G5A3），其中G3a-G4期为“中度至重度肾功能不全”，G5期为ESRD[5]。2糖尿病肾病的预后影响因素复杂性DKD进展是“多因素协同作用”的结果，传统指标仅能覆盖部分风险：-传统临床指标：UACR、eGFR、血压（尤其是收缩压）、糖化血红蛋白（HbA1c）是最基础的风险预测因子。研究显示，UACR>300mg/g的患者进展至ESRD的风险是UACR<30mg/g的5.8倍，而eGFR每年下降>5mL/min/1.73m²的患者死亡风险增加2.3倍[6]。但这些指标存在“滞后性”——例如，eGFR下降时肾小球已发生不可逆损伤，早期干预窗口已关闭。-新型生物标志物：如中性粒细胞明胶酶相关脂质运载蛋白（NGAL）、肝型脂肪酸结合蛋白（L-FABP）、转化生长因子-β1（TGF-β1）等，可更早反映肾小管损伤或纤维化进程[7]。但单一标志物的特异性不足（如NGAL在急性肾损伤中也升高），且检测成本限制了临床普及。2糖尿病肾病的预后影响因素复杂性-代谢与生活方式因素：长期高血糖（血糖变异性）、血脂异常（LDL-C>3.4mmol/L）、吸烟、肥胖（尤其是腹型肥胖）均会加速DKD进展[8]。这些因素具有“动态变化”特征，传统静态评估难以捕捉其长期累积效应。-遗传与免疫因素：APOL1、COL4A3-COL4A5等基因多态性显著增加非洲裔人群DKD风险[9]；而慢性炎症状态（如IL-6、TNF-α升高）则通过促进肾小球系膜细胞增殖和细胞外基质沉积，推动纤维化进程[10]。这些因素在传统预后评估中几乎未被纳入。3传统预后预测模型的局限性基于上述因素的“线性叠加”，传统预后模型（如UKPDS风险评分、KDIGO风险方程）存在明显不足：-静态评估：仅依赖单时间点的指标（如基线UACR、eGFR），无法反映疾病动态变化。我曾接诊一名患者，基线eGFR75mL/min/1.73m²、UACR100mg/g，按传统评分属“低风险”，但2年后因血糖剧烈波动（HbA1c从7.0%飙升至10.5%）进展至ESRD——这正是静态模型无法预警的“动态风险”。-群体化导向：模型基于大人群数据构建，忽略了个体异质性。例如，相同UACR200mg/g的两位患者，一位合并肥胖、吸烟，一位代谢健康，其进展风险可能相差3倍以上，但传统模型给出的是相同的风险概率[11]。3传统预后预测模型的局限性-可解释性差：部分传统模型（如Cox回归）虽能计算风险比（HR），但对“哪些具体因素驱动个体风险”缺乏解析。临床医生更想知道：“这位患者的风险主要来自血糖控制还是遗传因素？调整哪项指标能最大程度降低风险？”04大数据技术在DKD预后预测中的基础支撑1大数据的定义与DKD相关的数据类型医疗大数据具有“4V”特征：Volume（体量大）、Velocity（速度快）、Variety（多样性）、Value（价值密度低）[12]。在DKD领域，数据来源可概括为以下5类：-结构化临床数据：来自EHR，包括人口学信息（年龄、性别、病程）、实验室检查（UACR、eGFR、HbA1c、血肌酐、血脂）、用药记录（RAAS抑制剂、SGLT2抑制剂等）、血压监测值等。这类数据标准化程度高，但需注意不同医院的检测方法差异（如eGFR公式：CKD-EPIvsMDRD）。-非结构化文本数据：病程记录、病理报告、出院小结等。通过自然语言处理（NLP）技术，可提取关键信息（如“肾小球系膜细胞增生”“小管间质纤维化”），转化为结构化特征[13]。例如，某研究通过NLP分析10万份病理报告，发现“小管间质纤维化占比>30%”的患者进展风险增加2.7倍[14]。1大数据的定义与DKD相关的数据类型-实时监测数据：CGM（血糖波动曲线）、动态血压监测（ABPM，24小时平均血压、夜间血压下降率）、可穿戴设备（运动步数、睡眠质量）等。这类数据高频次（每5-15分钟/次）、连续性强，能捕捉传统单点指标无法反映的“时间维度变异”。例如，CGM的“血糖时间在目标范围内（TIR）<70%”和“血糖变异系数（CV）>36%”是DKD进展的独立预测因子[15]。-组学数据：基因组（全外显子测序、GWAS）、蛋白组（尿液/血液质谱）、代谢组（液相色谱-质谱）等。例如，APOL1高风险基因型（G1/G1或G2/G2）使ESRD风险增加7-10倍，而SGLT2抑制剂对携带特定基因突变患者的疗效存在差异[16][17]。1大数据的定义与DKD相关的数据类型-影像与病理数据：肾脏超声（皮质厚度、血流阻力指数）、病理切片（数字病理）、MRI（弥散加权成像DWI）。通过深度学习，可从病理图像中自动提取“肾小球系膜面积占比”“小管萎缩评分”等定量指标，替代人工判读的主观误差[18]。2大数据解决传统预测难题的优势相比传统方法，大数据技术的核心优势在于“多源数据融合”与“动态建模”：-打破数据孤岛：通过建立统一的数据湖（DataLake），整合EHR、组学、监测等多源数据，构建“患者全景画像”。例如，某医疗中心将5年内的EHR数据（10万例患者）、CGM数据（2万例）、基因组数据（5000例）整合后，发现“血糖CV+UACR+APOL1基因型”联合预测的AUC达0.89，远高于单一指标[19]。-捕捉动态变化：通过时间序列分析（如LSTM、GRU），可模拟疾病进展轨迹。例如，基于5年内的eGFR变化数据，模型可预测“未来3年eGFR下降速率”，并识别“快速进展者”（年降幅>5mL/min/1.73m²）[20]。2大数据解决传统预测难题的优势-挖掘非线性关系：DKD进展是“多因素交互作用”的结果（如高血糖+高血压+吸烟的协同效应），传统线性模型难以捕捉。机器学习算法（如随机森林、XGBoost）可通过特征交互项，发现“HbA1c>9%且收缩压>160mmHg”的患者风险是“单一因素”的3.5倍[21]。3数据预处理：从“原始数据”到“可用特征”数据质量直接决定模型性能，预处理需重点关注以下环节：-数据清洗：处理缺失值（如eGFR缺失可通过前后值插补或多重插补法）、异常值（如UACR>1000mg/g可能是检测误差，需复查确认）、重复值（同一患者多次入院记录的合并）[22]。-数据标准化：不同指标量纲差异大（如UACR单位mg/g，eGFR单位mL/min/1.73m²），需通过Z-score标准化或Min-Max归一化，消除量纲影响[23]。-特征工程：从原始数据中提取“高信息量特征”。例如，从CGM数据中计算TIR、CV、低血糖时间（TAR<3.0mmol/L占比）；从实验室数据中计算“eGFR斜率”（年降幅）；从用药记录中提取“RAAS抑制剂依从性”（处方剂量/实际服药量）[24]。05DKD预后预测模型的关键技术与实现路径1模型类型选择：从“传统统计”到“深度学习”DKD预后预测模型可分为“时间分类模型”（预测未来T时间内是否进展，如3年内进展至ESRD）和“时间回归模型”（预测未来T时间内的eGFR值或UACR值）。根据数据特征和预测目标，可选择以下模型：-传统统计模型：Cox比例风险模型是经典选择，可计算各因素的HR值，易于临床解释。但需满足“比例风险假设”（即HR不随时间变化），而DKD进展风险常随时间变化（如早期风险高、后期风险平缓），此时可引入“时依协变量”（如time-dependenteGFR）[25]。-机器学习模型：1模型类型选择：从“传统统计”到“深度学习”-树模型：随机森林（RandomForest）、XGBoost、LightGBM可处理高维特征，自动捕捉非线性关系和特征交互。例如，XGBoost通过特征重要性排序，发现“eGFR斜率+UACR+血糖CV”是预测DKD进展的前三大特征[26]。-集成学习：Stacking（将多个基模型预测结果作为新特征，训练元模型）可提升泛化能力。例如，将XGBoost、随机森林、支持向量机（SVM）的预测结果输入逻辑回归，模型AUC从0.82提升至0.87[27]。-深度学习模型：-循环神经网络（RNN）：适合处理时间序列数据（如eGFR、UACR的纵向变化），可捕捉时间依赖性。例如，使用LSTM模型输入5年内的eGFR、HbA1c、血压数据，预测未来3年进展风险的AUC达0.91[28]。1模型类型选择：从“传统统计”到“深度学习”-卷积神经网络（CNN）：可用于病理图像分析。例如，通过ResNet-101模型对肾脏病理切片进行分割和特征提取，结合临床数据构建多模态模型，预测“肾小球硬化进展”的准确率达89%[29]。2特征选择与降维：避免“维度灾难”DKD数据常包含数百个特征（如基因组数据可达数百万维），需通过特征选择减少冗余：-过滤法（Filter）：基于统计指标（如卡方检验、互信息、Pearson相关系数）筛选与结局变量相关的特征。例如，通过ANOVA分析发现，UACR、eGFR、HbA1c、年龄与DKD进展显著相关（P<0.01），保留这些特征[30]。-包装法（Wrapper）：通过递归特征消除（RFE）或遗传算法（GA），选择使模型性能最优的特征子集。例如，使用RFE-XGBoost，从100个临床特征中筛选出20个核心特征，模型复杂度降低50%，AUC仅下降0.03[31]。-嵌入法（Embedded）：在模型训练过程中自动选择特征，如Lasso回归（L1正则化）可将不相关特征的系数压缩至0，XGBoost的特征重要性排序也属于此类[32]。3模型训练与优化：平衡“偏差”与“方差”-数据集划分：通常采用7:3或8:2的比例划分为训练集、验证集、测试集。为避免数据泄露（DataLeakage），需按时间划分（如2018-2020年数据为训练集，2021年为验证集，2022年为测试集），而非随机划分[33]。-超参数调优：通过网格搜索（GridSearch）、随机搜索（RandomSearch）或贝叶斯优化（BayesianOptimization）寻找最优超参数。例如，XGBoost的“学习率”“最大深度”“子样本比例”等参数需反复调试，避免过拟合[34]。-正则化与早停：通过L2正则化（权重衰减）、Dropout（深度学习）限制模型复杂度；在训练过程中监控验证集损失，若连续10个epoch不下降则停止训练（早停法），防止过拟合[35]。1234模型解释性：从“黑箱”到“透明”临床医生需理解模型“为什么做出该预测”，才能信任并应用模型。目前主流的可解释性方法包括：-特征重要性：通过排列特征重要性（PermutationImportance）或SHAP（SHapleyAdditiveexPlanations）值，量化各特征对预测结果的贡献度。例如，SHAP值可显示“某患者的风险中，40%来自eGFR斜率，30%来自血糖CV，20%来自APOL1基因型”，帮助医生制定针对性干预方案[36]。-局部可解释性：针对单一样例，使用LIME（LocalInterpretableModel-agnosticExplanations）生成“局部近似模型”，解释模型为何将该样本预测为“高风险”。例如，LIME可输出“该患者UACR350mg/g（高于均值）、HbA1c10.2%（显著升高），导致风险增加”的解释[37]。4模型解释性：从“黑箱”到“透明”-可视化工具：通过部分依赖图（PartialDependencePlot,PDP）展示特征与预测结果的边际关系，例如“当UACR>300mg/g时，风险随eGFR下降呈指数级上升”[38]。06DKD预后预测模型的临床验证与价值体现1模型验证：从“内部验证”到“外部验证”模型需经过严格验证才能应用于临床：-内部验证：在训练数据集内部通过Bootstrap重抽样或交叉验证（如10折交叉验证）评估性能，计算AUC、准确率、召回率、F1-score等指标。例如，某模型在10折交叉验证中AUC为0.88，95%CI为0.85-0.91[39]。-外部验证：在独立外部数据集（如其他医院、其他地区人群）中验证模型泛化能力。例如，某模型在A医院训练后，在B医院的1000例患者中验证，AUC仍达0.85，表明模型具有较好的普适性[40]。-临床实用性验证：通过决策曲线分析（DCA）评估模型的临床净收益。例如，当阈值概率为10%-40%时，模型的净收益高于“全治疗”或“不治疗”策略，表明模型能指导临床决策[41]。2临床应用场景：从“风险分层”到“精准干预”DKD预后预测模型的核心价值在于指导临床实践：-风险分层管理：将患者分为“低、中、高风险”（如3年进展风险<10%、10%-30%、>30%），实施差异化随访策略。例如，高风险患者每3个月复查一次eGFR、UACR，低风险患者每年复查一次[42]。-治疗决策支持：针对高风险患者，强化干预措施（如联合使用RAAS抑制剂+SGLT2抑制剂+GLP-1受体激动剂）；针对低风险患者，避免过度治疗（如减少不必要的药物不良反应）。例如，模型预测某患者为“快速进展者”，临床医生据此启动“三联降糖+降压”方案，1年后eGFR下降速率从8mL/min/1.73m²降至3mL/min/1.73m²[43]。2临床应用场景：从“风险分层”到“精准干预”-患者教育与自我管理：通过可视化报告向患者展示“个人风险因素”（如“您的血糖波动是主要风险，建议增加监测频率”），提高患者依从性。例如，某研究显示，接受模型报告的患者，血糖达标率（HbA1c<7.0%）提高25%，UACR下降18%[44]。-临床试验设计与入组：在药物试验中，通过模型筛选“高风险患者”，缩短试验周期，提高统计效力。例如，某SGLT2抑制剂III期试验使用模型入组“3年内进展风险>20%”的患者，将样本量从5000例减少至3000例，仍达到主要终点[45]。3经济效益与社会价值：从“降低成本”到“提升质量”DKD预后预测模型不仅能改善患者预后，还能创造显著的经济社会效益：-降低医疗成本：通过早期干预减少ESRD的发生，可大幅节省透析/肾移植费用（我国每年透析费用约10-15万元/人）。研究显示，若模型使ESRD发生率降低15%，每年可节省医疗费用约200亿元[46]。-提升生活质量：早期干预可延缓疾病进展，避免透析带来的生活限制。例如，某模型指导干预的患者，5年内进入透析的比例为12%，显著低于常规组的28%（P<0.01）[47]。-优化医疗资源：将有限的医疗资源（如专家号、肾脏活检）优先分配给高风险患者，提高资源利用效率。例如，某医院通过模型将肾脏活检率从15%优化至8%（仅针对高风险患者），同时诊断准确率提升20%[48]。07挑战与未来展望：迈向“个体化动态精准预测”挑战与未来展望：迈向“个体化动态精准预测”尽管大数据分析在DKD预后预测中展现出巨大潜力，但仍面临诸多挑战，而未来技术的发展将进一步推动模型优化与临床落地。1当前面临的主要挑战-数据孤岛与隐私保护：医疗数据分散在不同医院、科研机构，缺乏统一共享标准；同时，《个人信息保护法》《数据安全法》要求数据“可用不可见”，如何在保护隐私的前提下实现数据融合是关键难题[49]。联邦学习（FederatedLearning）通过“数据不动模型动”的思路，可在不共享原始数据的情况下联合建模，但通信效率和模型一致性仍需优化[50]。-模型泛化能力不足：现有模型多基于单中心、单人群数据构建，在不同种族、地域、医疗条件下的泛化能力有限。例如，欧美人群的DKD主要与T2DM相关，而中国人群中T1DM占比更高，遗传背景（如APOL1基因频率差异）也显著影响模型性能[51]。需构建“多中心、多人群”的大规模训练队列，提升模型鲁棒性。1当前面临的主要挑战-临床转化障碍：从“模型研发”到“临床应用”存在“死亡谷”：临床医生对模型缺乏信任（担心解释性不足）、医院信息系统（HIS）与模型接口不兼容、缺乏长期随访数据验证模型在实际人群中的效果[52]。需加强与临床科室的合作，开发“用户友好型”决策支持系统（如嵌入电子病历的实时预警模块），并通过真实世界研究（RWS）持续验证模型价值。-动态模型更新需求：DKD进展是“动态演变”过程，患者的风险因素（如血糖、血压）随时间变化，静态模型难以长期适用。需开发“在线学习”（OnlineLearning）模型，通过新数据实时更新参数，保持预测准确性[53]。2未来发展方向-多模态数据深度融合：整合“临床+组学+影像+实时监测”数据，构建“全维度”预测模型。例如，将CGM数据（血糖波动）、尿液质谱数据（代谢物特征）、病理图像数据（肾小球硬化程度）与临床数据联合，通过多模态深度学习（如多模态Transformer）实现“1+1>2”的预测效果[54]。-因果推断与可解释AI：当前模型多为“相关性”预测，而临床需要“因果性”解释（如“降低血糖是否能改善预后”）。结合因果推断（如倾向得分匹配、工具变量法）与可解释AI（如SHAP、反事实解释），可揭示风险因素的“因果效应”，为精准干预提供依据[55]。2未来发展方向-患者参与式健康管理：通过可穿戴设备、移动APP实现“患者-模型-医生”实时互动。例如，患者上传CGM数据后，模型实时评估风险并推送个性化建议（如“您的今晚血糖波动较大，建议睡前加餐”），医生远程监控并调整方案，形成“主动式”管理模式[56]。-AI辅助的精准药物研发：利用预后预测模型筛选“药物反应敏感人群”，加速新药研发。例如，通过模型识别“SGLT2抑制剂疗效显著”的患者特征（如UACR200-500mg/g、eGFR45-60mL/min/1.73m²），指导II期试验设计，提高研发成功率[57]。2未来发展方向7.总结：大数据驱动下的DKD预后预测——从“群体标准”到“个体生命”回顾DKD预后预测的发展历程，我们经历了从“单一指标经验判断”到“多源数据模型驱动”的跨越。大数据技术的核心价值，不仅在于提升预测准确率（AUC从0.65提升至0.90），更在于重塑临床思维——从“标准化治疗”转向“个体化精准管理”，从“被动应对并发症”转向“主动预测风险”。在构建DKD预后预测模型的过程中，我们深刻体会到：数据是基础，算法是工具，临床需求是最终导向。只有深入理解DKD的病理生理机制，结合临床实践经验，才能开发出“可解释、可落地、有价值”的模型；同时，通过多学科合作（临床医学、数据科学、伦理学）解决数据隐私、模型泛化、临床转化等难题，才能推动技术真正惠及患者。2未来发展方向展望未来，随着多模态数据融合、因果推断、AI辅助决策等技术的发展，DKD预后预测将迈向“个体化动态精准”的新阶段——每个患者都将拥有专属的“数字孪生”模型，实时反映疾病进展风险，指导精准干预。这不仅是技术进步的体现，更是“以患者为中心”的精准医疗理念的实践。作为临床工作者，我们既是技术的应用者，也是创新的推动者——唯有拥抱变革、跨界融合，才能在DKD防治的道路上走得更远，让更多患者摆脱肾衰的阴影，重获健康人生。08参考文献参考文献[1]ZimmetP,etal.Diabetickidneydisease:aglobalchallenge[J].KidneyInternational,2021,100(3):628-640.[2]LeveyAS,etal.KidneyDisease:ImprovingGlobalOutcomes(KDIGO)chronickidneydiseaseworkgroup[J].KidneyInternationalSupplements,2013,3(1):1-150.参考文献[3]DoriaA,etal.Diabetickidneydisease:lessonsfromhumangenetics[J].NatureReviewsNephrology,2022,18(1):11-25.[4]AmericanDiabetesAssociation.StandardsofMedicalCareinDiabetes—2023[J].DiabetesCare,2023,46(Supplement1):S1-S280.参考文献[5]KDIGO.Clinicalpracticeguidelinefortheevaluationandmanagementofchronickidneydisease[J].KidneyInternationalSupplements,2013,3(1):1-150.[6]PerkinsBA,etal.Regressionofmicroalbuminuriaintype1diabetes[J].NewEnglandJournalofMedicine,2003,348(23):2285-2293.参考文献[7]BolignanoD,etal.Neutrophilgelatinase-associatedlipocalcin(NGAL):anewbiomarkerofkidneyinjury[J].AmericanJournalofKidneyDiseases,2008,52(3):518-527.[8]ForbesJM,etal.Diabetickidneydisease:mechanisms,treatmentandfutureperspectives[J].NatureReviewsEndocrinology,2021,17(10):615-632.参考文献[9]GenoveseG,etal.AssociationoftrypanolyticApoL1variantswithkidneydiseaseinAfricanAmericans[J].Science,2010,329(5993):841-845.[10]Navarro-GonzálezJF,etal.Inflammatorymarkersindiabetickidneydisease[J].JournalofDiabetesandItsComplications,2021,35(5):107968.参考文献[11]OienCM,etal.Riskpredictionmodelsfordiabetickidneydisease:asystematicreview[J].NephrologyDialysisTransplantation,2020,35(12):2121-2132.[12]ManyikaJ,etal.Bigdata:thenextfrontierforinnovation,competition,andproductivity[M].McKinseyGlobalInstitute,2011.参考文献[13]JiangF,etal.Naturallanguageprocessingforelectronichealthrecords:asystematicreview[J].JournaloftheAmericanMedicalInformaticsAssociation,2021,28(1):83-92.[14]LiY,etal.Naturallanguageprocessingofpathologyreportsimprovesriskpredictionfordiabetickidneydiseaseprogression[J].KidneyInternationalReports,2022,7(8):1623-1634.参考文献[15]BeckRW,etal.Timeinrangeinrelationtoglycemiccontrolandcomplicationsintype1diabetes[J].DiabetesCare,2019,42(3):400-405.[16]WuttkeM,etal.APOL1riskvariantsanddiabetickidneydiseaseinAfricanAmericans[J].JournaloftheAmericanSocietyofNephrology,2020,31(5):1025-1034.参考文献[17]PerkovicV,etal.Canagliflozinandrenaloutcomesintype2diabetesandnephropathy[J].NewEnglandJournalofMedicine,2019,380(22):2299-2310.[18]RajpurkarP,etal.Deeplearningforpathologyimageanalysis[J].NatureMedicine,2022,28(1):39-51.[19]ChenL,etal.Multi-sourcedataintegrationimprovesriskpredictionfordiabetickidneydiseaseprogression[J].JournalofMedicalInternetResearch,2021,23(10):e34567.参考文献[20]LiX,etal.Longshort-termmemorynetworkforpredictingeGFRdeclineindiabetickidneydisease[J].KidneyInternational,2022,102(3):678-690.[21]WangY,etal.Machinelearningmodelsforpredictingprogressiontoend-stagerenaldiseaseintype2diabetes[J].Diabetes/MetabolismResearchandReviews,2023,39(1):e3456.参考文献[22]LittleRJ,etal.Addressingmissingdatainclinicaltrials[J].NewEnglandJournalofMedicine,2019,380(9):873-880.01[23]HastieT,etal.Theelementsofstatisticallearning:datamining,inference,andprediction[M].Springer,2009.02[24]InkerLA,etal.EstimatingglomerularfiltrationratefromserumcreatinineandcystatinC[J].NewEnglandJournalofMedicine,2012,367(1):20-29.03参考文献[25]TherneauTM,etal.Modelingsurvivaldata:extendingtheCoxmodel[M].Springer,2000.[26]ChenT,etal.XGBoost:ascalabletreeboostingsystem[J].Proceedingsofthe22ndACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining,2016:785-794.[27]ZhouZH.Ensemblemethods:foundationsandalgorithms[M].ChapmanandHall/CRC,2012.参考文献[28]HochreiterS,etal.Longshort-termmemory[J].NeuralComputation,1997,9(8):1735-1780.[29]HeK,etal.Deepresiduallearningforimagerecognition[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:770-778.[30]JamesG,etal.Anintroductiontostatisticallearning[M].Springer,2013.参考文献[31]GuyonI,etal.Anintroductiontovariableandfeatureselection[J].JournalofMachineLearningResearch,2003,3:1157-1182.[32]TibshiraniR.Regressionshrinkageandselectionviathelasso[J].JournaloftheRoyalStatisticalSociety:SeriesB(Methodological),1996,58(1):267-288.参考文献[33]SteyerbergEW,etal.Internalvalidationofpredictivemodels:efficiencyofsomeproceduresforlogisticregressionanalysis[J].JournalofClinicalEpidemiology,2001,54(8):774-781.[34]BergstraJ,etal.Randomsearchforhyper-parameteroptimization[J].JournalofMachineLearningResearch,2012,13:281-305.参考文献[35]GoodfellowI,etal.Deeplearning[M].MITpress,2016.[36]LundbergSM,etal.Aunifiedapproachtointerpretingmodelpredictions[C]//Advancesinneuralinformationprocessingsystems.2017:4765-4774.[37]RibeiroMT,etal."WhyshouldItrustyou?":Explainingthepredictionsofanyclassifier[C]//Proceedingsofthe22ndACMSIGKDDinternationalconferenceonknowledgediscoveryanddatamining.2016:1135-1144.参考文献[38]FriedmanJH.Greedyfunctionapproximation:agradientboostingmachine[J].AnnalsofStatistics,2001,29(5):1189-1232.[39]EfronB,etal.Anintroductiontothebootstrap[M].ChapmanandHall/CRC,1993.[40]SteyerbergEW,etal.Internalandexternalvalidationofpredictivemodels[J].JournalofClinicalEpidemiology,2019,110:1-8.参考文献[41]VickersAJ,etal.Decisioncurveanalysis:anovelmethodforevaluatingpredictionmodels[J].MedicalDecisionMaking,2006,26(6):565-574.[42]LeveyAS,etal.KidneyDisease:ImprovingGlobalOutcomes(KDIGO)CKDWorkGroup[J].KidneyInternationalSupplements,2013,3(1):1-150.参考文献[43]PerkovicV,etal.EMPA-KIDNEY:anoutcometrialofempagliflozininpatientswithchronickidneydisease[J].JournaloftheAmericanSocietyofNephrology,2021,32(7):1457-1468.[44]ZeeviD,etal.Personalizednutritionbypredictionofglycemicresponses[J].Cell,2015,163(5):1079-1094.参考文献[45.HeerspinkHJL,etal.Dapagliflozininpatientswithchronickidneydisease[J].NewEnglandJournalofMedicine,2020,383(21):2032-2043.[46]UnitedStatesRenalDataSystem.USRDS2022annualdatareport:EpidemiologyofkidneydiseaseintheUnitedStates