急性肾损伤(AKI)是一种在住院患者中常见,具有高发病率和高死亡率的临床危重综合征。建立AKI早期风险预测模型,分析影响其发生的关键因素,有助于预防AKI发生、对风险人群进行及时干预与实施合理治疗。研究数据来自中国急性肾损伤合作研究(CCS-AKI)中心的16家医院,共收集580461(46395AKI,534066 non-AKI)例成人住院患者的临床信息,包括基本信息、血液学指标、药物使用情况,以及入院科室、合并症情况、住院时间等其它临床信息,并对入院科室、药物种类、血液学指标进行规范化,计算血液学指标的统计值(如最大值、最小值、标准差、均值等)、药物的使用天数及种类数、合并症的Charlson总评分等,从而生成114个特征。采用机器学习模型LightGBM对24、48、72小时3个时间点进行AKI风险预测,并获取重要特征,利用SHAP(shapley additive explanations)对特征重要性进行分析,此外,比较与分析肌酐(SCr)值对预测模型性能的影响。将患者按照4:1的比例划分为训练集与独立验证集,对LightGBM进行训练、测试与验证。实验结果表明,模型对24、48、72小时3个时间点进行AKI预测的综合评估指标F1值为0.612～0.705,AUC值为0.919～0.946,准确率为0.946～0.956;去除SCr值相关特征后,模型仍然取得良好的预测性能;重要特征主要包括已住院天数、入院科室、年龄、SCr值相关特征、抗感染药使用天数、潜在肾毒药物使用种类、化疗药使用天数、利尿剂使用天数、最后一次钠(NA)值、尿酸(UA)值、氯(CL)值、钾(K)值、Charlson总评分。研究证明,LightGBM能有效地预测住院患者AKI发生风险,并明确与AKI有关的重要特征,对住院患者AKI的预防、及时干预与临床治疗决策等,具有重要的指导意义与临床应用价值。