研究背景目標：腹透患者預后預測

終末期腎臟病（End-Stage Renal Disease，ESRD，即尿毒癥）的發生率持續增加，已成為全球重大醫療負擔。ESRD是一種長病程疾病，患者需要持續多年甚至幾十年的腎臟替代治療。腹膜透析（Peritoneal Dialysis，PD）是一種成熟的ESRD患者居家生命支持治療方式。在長期腹膜透析過程中，患者需要定期隨訪以監測疾病進展狀況。

基于門診隨訪過程中所記錄的結構化時序電子病歷（Electronic Medical Record，EMR）個體化、動態預測不良結局和識別風險因素，對于精準診療、早期干預、提高長期透析患者的生存至關重要。

研究數據納入：真實世界多變量時序電子病歷

本研究基于656位腹透患者共13,091次門診隨訪記錄構成的真實世界電子病歷數據集，數據集時間跨度12年，每位患者平均記錄約20次隨訪，平均隨訪時間4年。分析數據包括：

患者的基線數據：患者的人口統計數據（如年齡、性別），是否患有糖尿病；

動態隨訪時序數據：實驗室檢驗檢查數據（血常規、肝腎功能、血壓記錄等）。

研究方法設計：基于深度學習的可解釋健康狀況表示學習框架

本研究提出了一項基于深度學習的可解釋健康狀況表示學習框架——AICare，該端到端模型包含多通道特征提取模塊和自適應特征重要性重新校準模塊。

多通道時序特征編碼架構從高維醫療時序特征中提取序列模式；

患者基線信息和動態隨訪特征的壓縮編碼被視為健康上下文向量，用于指導特征重要性的重新校準模塊；

模型在患者隨訪過程中，針對每一次電子病歷繼續編碼多變量時序數據，建模患者疾病發展軌跡，最終實現動態預后預測，其中任務定義為每次隨訪病歷數據記錄后一年期死亡風險預測。

量化實驗結果：不同死因預測性能差異分析

AICare模型在腹透患者一年期死亡風險動態預測任務中AUROC（接收者操作特征曲線下面積）為81.6%，AUPRC（精確率-召回率曲線下面積）為47.2%，超過業內已有模型。

根據預測結果，惡液質（Cachexia，AUROC=0.88）、感染（Infection，AUROC=0.082）和周圍血管病（PVD，AUROC-0.82）相關的一年期不良預后風險容易識別。腦血管疾病（CVE，AUROC=0.55）和心血管疾病（CVD，AUROC=0.71）相關不良預后風險最難預測。與前三類相比，后二類風險往往發作急性，現有檢驗檢查指標中難以反映出明顯異常跡象，患者可能在相當短的時間內面臨高的猝死威脅，這啟發臨床中需要針對此類風險更高頻的采集檢驗檢查數據或采集更豐富的特征來增強預后預測。

動態預測系統：個體化疾病進展軌跡可視化

本研究基于特征重標定模塊在預測過程中隨患者疾病狀態變化自適應判別關鍵特征，通過多視角觀察可以進行細粒度可解釋性分析，輔助醫學專家了解模型如何為特定患者做出預測，以確保預測結果在診治輔助和提取醫學知識方面是可信的。

模型部署是臨床應用的最后但也是最具挑戰性的一步。本研究配套AICare開發了AI-醫生交互預后預測系統，用于可視化患者疾病進展軌跡和關鍵指標。該系統已開源發布，用戶可以在線上傳數據以立即獲得預測結果，或下載代碼以基于自有數據集離線訓練模型。

疾病進展軌跡可視化系統展示了死亡風險預測結果和特征重要性分析結果。橫軸表示門診隨訪日期，縱軸表示預測的死亡風險（以粉色半透明曲線可視化）和部分關鍵指標值。AICare在每次患者隨訪時進行預后預測，提供特征的重要性權重作為可解釋性（以折線圖數據點的大小表示，同時也列在懸浮窗口中）。

圖示以一位匿名糖尿病腎病患者展開案例分析演示。在圖中紅色虛線框覆蓋的隨訪時期，AICare在不良結局發生前三年持續預測高風險。模型主要關注白蛋白、舒張血壓（DBP）和血紅蛋白（Hb）的異常下降趨勢。1004年初，Hb和DBP值急劇下降，分別下降了69 g/L和27 mmHg。AICare迅速感應到并開始關注這一變化，Hb和DBP分別獲得了31.0%和19.8%的關注度。1007年，白蛋白從32.9 mmol/L急劇下降至24.5 mmol/L，此后在最后幾次訪問中白蛋白水平一直保持在低水平，吸引了模型30%-40%的關注度。AICare繼續上調了風險預測值至80%以上（即模型認為患者未來一年死亡風險概率超過80%）。不幸的是，數月后該患者死于前列腺癌和多器官衰竭。

回顧病歷記錄，自1004年以來，該患者出現了一系列并發癥，包括不穩定性心絞痛、周圍動脈疾病（PAD）、前列腺癌、貧血、糖尿病足和炎性腸病，這些并發癥與AICare提示的異常生物標志物密切相關。DBP的下降表明動脈硬化加劇，可能與這些患者的嚴重動脈粥樣硬化相關，如冠心病、PAD和糖尿病足。異常的血紅蛋白水平表明有害貧血，可能與胃腸出血、嚴重感染、營養不良、前列脺癌、糖尿病足和炎性腸病相關。在AICare的幫助下，醫生或可及早被提醒相關風險或進一步治療干預。

定性觀察分析：不同死因最具指示性指標

本研究以定性分析模型通過特征注意力模塊為不同患者分別學習特征重要性權重的分配，判別不同死因預測最具指示性的關鍵特征。AICare基于端到端深度學習模型闡釋了PD患者死亡原因與臨床特征之間的關系。由AICare生成的不同死亡原因的平均特征重要性熱力圖繪制如下，顏色越深，特征重要性越大。

白蛋白是大多數死亡原因的最強指標，特別是對于腦血管疾病（CVE）、周圍血管疾病（PVD）和胃腸疾病（GI）。這可能是因為白蛋白是蛋白質-能量消耗的指標，與胃腸攝入不良和炎癥有關。低白蛋白血癥是PD相關腹膜炎的強預測因素，是感染和腹膜炎死亡的主要原因。此外，我們的模型對仍然存活的患者白蛋白給予了高度關注，這意味著低風險評分與高白蛋白值相關。

舒張壓（DBP）是腦血管疾病(CVE)、PD相關腹膜炎、癌癥和消瘦死亡的風險指標。這可能是因為DBP水平是動脈粥樣硬化的標志，并與動脈粥樣硬化性腦梗塞的發生密切相關。低DBP還可能是周圍血管阻力低或動脈硬化增加的指標，這與心腦血管疾病的高發病率密切相關。此外，低血壓是心力衰竭、慢性炎癥和營養不良等特定合并癥的替代性預測因素，可能與腹膜炎、癌癥和惡液質死亡有關。

鈉（Na）、鉀（K）和體重是惡液質死亡的重要指標。這可能是因為患者常因食物攝入不足而導致鈉和鉀水平低。這些患者體重減輕是常見現象。

血紅蛋白（Hb）是胃腸疾病}死亡的重要指標。胃腸出血是尿毒癥性胃腸病的重要表現。血紅蛋白（Hb）和鉀（K）是癌癥死亡的指標，與癌癥高度相關的難治性貧血、厭食癥和因攝入不足導致的低鉀血癥一致。

尿素、體重、鉀（K）、白蛋白、舒張壓（DBP）和收縮壓（SBP）是PD相關腹膜炎亡的重要指標。腹膜炎是PD患者常見的并發癥，其風險因素包括低白蛋白血癥、低鉀血癥、蛋白質能量消耗等。

定量觀察分析：特征重要性隨指標值變化趨勢，及指標參考值劃定

本研究首次揭示了每個特征重要性變化的模式，并基于內置可解釋性為大多數PD患者提供推薦參考值。AICare學習到的特征重要性變化。臨床訪問以彩色點和直方圖標記。紅色代表AICare預測的高風險，綠色代表低風險。平均特征重要性以藍色折線可視化。傳統臨床參考值以藍色虛線標記。特征重要性有兩種變化模式：V形拋物線（如白蛋白、舒張壓）和L形折線（如收縮壓、血紅蛋白）。

AICare根據每個臨床特征的值和患者的狀況提供了先驗的注意力權重。AICare通過宏觀視角量化特征重要性的變化，幫助臨床醫生更好地理解決策過程、采取個性化干預措施，并提取新的醫學知識。散點圖展示了生物標志物的值（橫軸）和特征重要性（縱軸）。每個點代表患者的一次隨訪，顏色表示預測風險。直方圖顯示了不同生物標志物值的風險分布。藍色曲線表示特征平均重要性的擬合曲線。此外，還標出了每個特征在常規門診患者中的傳統臨床參考范圍（藍色虛線），以幫助醫生評估AICare結果與傳統范圍的一致性。

在生物標志物重要性權重和記錄值之間存在兩種明顯的關系模式：V形拋物線和L形折線。對于V形拋物線模式（例如，白蛋白、舒張壓），極高或極低的特征值會通過AICare獲得高重要性關注，這意味著該特征在健康狀態表示學習中發揮著重要作用。對于L形折線模式（例如，收縮壓、血紅蛋白），生物標志物值越低，關注度越高。

例如，白蛋白的重要性權重呈V形曲線，以32 g/L為最低轉折點。對于大多數PD患者，當白蛋白低于（或高于）32 g/L時，其值越極端，AICare分配的注意力權重就越大，這意味著該特征在健康狀況表示學習中扮演著重要角色，預測的死亡風險隨之上升（或下降）。因此，AICare推薦提高血清白蛋白至32 g/L以上。

相反地，以收縮壓重要性變化為例，其值低于130 mmHg轉折點時關注度提高，但高于此值時關注度幾乎為0%，不再影響健康狀況的表示學習。因此，AICare推薦提高收縮壓至至少130 mmHg，但更高并無太多益處。

本研究整體框圖如下所示。