急性肾损伤(acute kidney injury,简称AKI)是一种常见的急性综合症,患者会在几小时或几天内发生肾脏损伤或衰竭。高发病率、高死亡率及恢复后相关肾脏疾病风险增加的特点使得对AKI进行预测的需求非常迫切。识别有可能发展成为AKI的高风险病人,并对这些患者进行提前干预和管理,能够比仅针对已发生AKI的病人进行治疗取得更好的治疗预期。目前基于病历数据进行AKI预测研究的文章往往关注特定术后病人而比较少针对普通住院病人;另外,已有研究的焦点往往在于模型预测性能的提高,并未深入探讨其研究设计和评估方法是否充分满足临床的实际需求。因此,本研究的重心在于AKI预测建模的实验设计和评估方法的进一步完善。基于当前国内外研究现状,本研究从美国一所医学院数据库中收集了2007年11月至2016年12月期间住院至少两天的所有成年患者(年龄>18岁)的住院电子病历数据,包含76 957个入院病例。在本研究当中我们从AKI预测任务能否有效反映构建的预测模型在临床应用情境中的真实预测性能进行思考,从预测节点和预测窗口这两个环节入手,层层递进地设计了四个预测任务,并使用机器学习方法来构建预测模型,使其能满足要求越来越高的临床应用情境。在对四个预测任务的分析中我们得到两个有趣的发现。第一,基于病人入院当天的数据能够有效预测病人在未来一天中发生AKI的风险;第二,基于历史数据中病人在发病前一天的数据构建的预测模型能够在住院期间有效进行动态持续地预测病人在未来1天内发生AKI的风险。需要注意的是,为了能够有效反映模型在临床应用情境中的真实预测性能,我们需要使用能够符合临床应用情境的测试数据集对模型进行性能评估。最后,据我们了解本研究是首个从临床应用需求和反映模型临床预测性能的角度入手,系统性探究普通住院病人AKI预测策略的研究。相信这能够对以后的预测研究提供预测框架和策略方面的借鉴和指导。