近期，美国肾脏病学会肾脏周（ASN kidney week）在费城隆重召开。作为全球首屈一指的肾脏病学会，本次会议将继续聚焦肾脏病领域的最新研究进展与前沿热点，为全球学者贡献一场丰富多彩的学术盛宴。

现有的肾衰竭预测模型一般只包含人口统计学和实验室数据，并不能完全预测肾小球疾病患者的肾衰竭。随着人工智能和大数据技术的发展，新的肾衰竭预测模型对于提高模型效能和临床医生的决策能力可能会具有更大的价值。

在此次大会上，发表了一项关于利用肾小球肾病的多个数据域预测肾衰竭的研究。研究人员利用来自多个领域的数据，通过机器学习来改进肾衰竭风险预测并确定新的预测因素。

在这项研究中，研究人员利用人口统计学（I）、健康的社会决定因素（SDOH；II）、临床（III）和病理学特征（IV）拟合序列脊回归模型，预测肾衰竭的发生时间（估计肾小球滤过率（eGFR）<15 mL/min/1.73m2 或透析或移植治疗）。

结果显示，在 2,544 名参与者中，肾衰竭发生率为每 100 人年 2.9 例。同时，纳入了 36 个预测因子，其中包括7个基础因子、2 个社会经济因子和27个临床因子。eGFR、尿蛋白与肌酐比值、年龄、黑人种族和 FSGS 在模型 I 至 III 中排名靠前；黑人种族在模型 III 中排名靠后。医疗补助作为主要保险、高血压、使用肾素血管紧张素系统抑制剂以及血清白蛋白和尿素氮水平在模式III中排名靠前。在模式 IV 中，间质纤维化/肾小管萎缩 (IFTA)、肾小管微囊的存在和硬化性肾小球是排名靠前的预测因素，取代了黑人种族，降低了年龄和 FSGS 的排名。

总之，机器学习通过纳入新的数据模型，提高了对肾衰竭的预测能力。在 CureGN研究 中，这些数据的加入提高了肾衰竭的预测，并检测出取代传统风险因素的新的预测因子。

参考资料

Prediction of Kidney Failure Using Multiple Data Domains in Glomerulonephropathy: A CureGN Study