论文标题：Predicting Major Adverse Cardiovascular Events in Atrial Fibrillation Patients with Chronic Kidney Disease: A Retrospective Cohort Study with Machine Learning

论文链接：https://www.mdpi.com/2076-3271/13/4/289

期刊名：Medical Sciences

期刊主页：https://www.mdpi.com/journal/medsci

房颤与慢性肾病均为老年人群中高发的慢性疾病，二者常同时存在，并可能显著增加患者发生主要不良心血管事件（MACE）的风险。然而，当前常用的房颤临床风险评分（如CHA₂DS₂-VA或HAS-BLED）并未纳入肾功能指标（如eGFR或UACR），可能低估了合并肾病患者的实际风险。

近日，西班牙IDIAP Jordi Gol初级保健研究所的José-Luis Clua-Espuny团队在Medical Sciences期刊发表了一项基于社区的回顾性队列研究，系统评估了肾功能指标在房颤患者MACE预测中的增量价值，并探索了机器学习模型在风险分层中的应用潜力。

一、研究设计与人群概况

研究纳入西班牙加泰罗尼亚地区Terres de lEbre区域的40297名65-95岁社区居民，其中2574人在2015年新诊断房颤，并接受了为期5年的随访。与非房颤人群相比，房颤患者中慢性肾病的患病率高出近一倍（30.9% vs 14.5%），且这部分患者MACE的发生率达到67.9%，风险比为3.52。

二、肾功能指标与MACE风险的剂量-效应关系

研究进一步按eGFR分期和尿白蛋白肌酐比（UACR）对房颤患者进行了亚组分析。结果显示，随着eGFR下降，MACE风险呈阶梯式上升：与肾功能正常者相比，eGFR在45-59 mL/min/1.73m²（G3a期）组HR为1.11，而eGFR低于15 mL/min/1.73m²（G5期）组HR升至2.08。类似地，UACR≥300 mg/g（重度白蛋白尿）组的MACE风险为正常组的1.76倍，呈明显梯度效应。

三、机器学习模型的预测表现与可解释性

研究者同时构建了随机森林、XGBoost、LightGBM和AdaBoost等五种机器学习模型，用于预测房颤患者1年内MACE发生风险。其中AdaBoost模型表现最优，SHAP特征重要性分析显示，eGFR和UACR居于所有预测因子中最重要的前列，提示肾功能指标不仅具有统计学显著性，在预测性能层面也具有不可忽视的贡献。

四、临床与科研启示：将肾损伤纳入复合终点

本研究提示，房颤患者的MACE复合终点中纳入具有临床意义的肾损伤指标（如持续性eGFR下降、进展至G3b-G5期或启动肾脏替代治疗）可能更为全面地反映疾病负担。这一调整不仅有助于更精准地识别高危患者，也可能提升临床干预措施效果的检出灵敏度。

五、局限性与未来方向

作为回顾性研究，本研究存在残余混杂与潜在分类偏倚，UACR数据在部分患者中可及性有限。机器学习模型虽经交叉验证与正则化处理，但在新环境部署前仍需外部验证与校准监测。未来研究应进一步验证将肾功能终点纳入复合结局的可行性，并探索人工智能工具在房颤综合管理路径中的实际应用价值。

Medical Sciences期刊介绍

主编： Prof. Dr. Antoni Torres, Universidad de Barcelona, Barcelona, Spain;

发表关于疾病分子与细胞过程的原创研究、综述及短篇通讯，促进对医学基本原理及生物学问题的深入理解。期刊已被Scopus, ESCI (Web of Science), PubMed, PMC, MEDLINE, CAPlus / SciFinder等数据库收录;

2025 Impact Factor: 5.9;

2025 CiteScore: 4.6;

Time to First Decision: 18.7 Days;

Acceptance to Publication: 2.8 Days