构建严重烧伤患者发生急性肾损伤(AKI)的风险预测模型，比较机器学习和logistic回归模型的预测效能。
方法收集在"八二"昆山工厂铝粉尘爆炸事故中严重烧伤的符合入选标准的157例患者的临床资料。将入院90 d内发生AKI的患者纳入AKI组，其余患者纳入非AKI组。使用单因素分析筛选可能和AKI发生相关的因素，包括患者性别、年龄、入院耗时、基础伤情、入院初始评分、治疗情况以及伤后30、60、90 d病死率等指标。对数据行Mann－Whitney U检验、χ2检验、Fisher确切概率法检验。将单因素分析中P<0.1以及可能有临床意义的变量纳入预测模型的构建，分别采用logistic回归分析和XGBoost机器学习算法构建AKI预测模型。计算模型的受试者工作特征曲线下面积(AUC)，以及最佳阈值下的敏感度、特异度。2个预测模型AUC差异的显著性检验采用非参数的重复采样方法。
结果(1)患者中89例(56.7%)在入院90 d内发生了AKI。与非AKI组68例患者相比，AKI组89例患者的年龄更大(Z＝－2.203，P<0.05)，烧伤总面积和Ⅲ度烧伤面积更大(Z＝－5.200、－6.297，P<0.01)，入院时的急性生理与慢性健康评估Ⅱ(APACHEⅡ)评分、简明烧伤严重程度指数评分、序贯器官衰竭评估(SOFA)评分更差(Z＝－7.485、－4.739、－4.590，P<0.01)，发生脓毒症的百分比更高(χ2＝33.087，P<0.01)，接受气管切开、呼吸机辅助呼吸以及连续性肾脏替代治疗的百分比更高(χ2＝12.373、17.201、43.763，P<0.01)，首次切痂面积更大(Z＝－2.191，P<0.05)，伤后30、60、90 d病死率更高(χ2＝7.483、37.259、45.533，P<0.01)。2组患者的性别、切开减张、入院耗时、入院后24 h补液量、入院后48 h补液量、第1个24 h尿量、第2个24 h尿量、首次切痂时间、吸入性损伤比较，差异无统计学意义(χ2＝0.529、3.318，Z＝－1.746、－0.016、－1.199、－1.824、－0.625、－1.747，P>0.05)；深静脉置管率均为100%。(2)根据单因素分析的差异结果以及变量的临床意义，筛选出20个可能的预测自变量，供模型的初步构建。(3)logistic回归预测模型的自变量为APACHEⅡ评分(比值比为1.36，95%置信区间为1.20～1.53，P<0.001)、脓毒症(比值比为2.63，95%置信区间为0.90～7.66，P>0.05)及第1个24 h尿量(比值比为0.71，95%置信区间为0.50～1.01，P>0.05)。logistic回归分析构建预测模型的AUC为0.875(95%置信区间为0.821～0.930)，最佳阈值下的特异度为84.4%、敏感度为77.7%。(4)XGBoost机器学习算法构建的模型有7个主要预测变量：APACHEⅡ评分、Ⅲ度烧伤面积、入院后24 h补液量、脓毒症、第1个24 h尿量、SOFA评分、入院后48 h补液量。机器学习算法构建预测模型的AUC为0.920(95%置信区间为0.879～0.962)，比logistic回归分析构建模型更高(P<0.001)，最佳阈值下的特异度为89.7%、敏感度为82.0%。
结论脓毒症和液体复苏情况是严重烧伤患者发生AKI的可干预的重要预测变量。机器学习模型预测严重烧伤患者发生AKI的性能较logistic回归预测模型更佳，能为患者提供更为精准的个体化预测，具有良好的临床应用前景。