心力衰竭人群中重度急性肾损伤的预测模型

这是一篇关于心力衰竭人群中重度急性肾损伤的预测模型的思维导图，主要内容包括：补充材料，表不如图，摘要，题目。

心力衰竭人群中重度急性肾损伤的预测模型

• 题目
  • A prediction model for moderate to severe acute kidney injury in people with heart failure
• 摘要
  • 背景/目的
    • 心力衰竭( heart failure，HF )
    • 急性肾损伤（AKI）
    • HF 高达23 %的患者会发生急性肾损伤（AKI）
    • 识别有发生AKI风险的患者并及时干预，减少社会和经济负担至关重要
    • 利用ML算法建立HF人群AKI的预测模型
  • 方法
    • 从中国肾脏数据系统( China Renal Data System，CDRS )数据库中纳入120 479例研究对象作为开发队列
    • 从当地医院纳入4327例患者作为外部验证队列
  • 结果
    • 用SHAP值解释预测结果
    • XGBoost 模型表现最佳：最大 AUC 为 0.763，最高灵敏度为 0.660，高精度为 0.709
  • 结论
    • 建立并验证了中重度AKI和需要透析的AKI的预测模型
    • 与传统的logistic 回归（LR）模型相比，该模型表现出更显著的性能
• 表不如图
  • Figure 1
    • HF 相关急性肾损伤AKI 预测模型的建立及验证
      • a
        • 研究设计
      • b、d
        • 在内部验证和外部验证队列中，中重度AKI的受试者工作特征曲线下面积( AUC )
      • c、e
        • 在内部验证和外部验证队列中，需要透析的AKI的AUC
      • f
        • XGBoost模型的SHAP汇总图
• 补充材料
  • Table S1
    • 本研究基于HF患者的易得变量
    • 列出训练集中使用的91个潜在预测变量
  • Table S2
    • 采用4种具有最优超参数的ML算法
      • SVM
      • RF
      • XGBoost
      • LR
  • Table S3
    • 参与者的基线特征
      • 开发队列
      • 内部验证队列
      • 外部验证队列
    • 参与者的基线特征
      • P < 0.05，外部验证队列vs .推导队列
  • Table S4
    • 根据AKI状态衍生、内部验证和外部验证队列的特征
    • 非中重度AKI
      • 中重度AKI
  • Table S5
    • 中重度AKI、AKI需透析风险预测模型在推导队列和验证队列中对HF患者的区分效能
  • Table S6
    • 各种预测模型在内部和外部验证队列中的校准性能
  • Figure S1
    • 研究设计概述
    • 概述了开发和验证队列的患者选择过程
  • Figure S2
    • 推导队列中连续变量的多重共线性结果
  • Figure S3
    • 推导队列中中重度AKI和需要透析的AKI的AUC
      • a推导队列中重度AKI的AUC
      • b推导队列中需要透析的AKI的AUC