RAASIs对大量血液透析患者钾和死亡率的影响：实践探讨及传统统计与机器学习的比较

背景：2022年肾脏疾病：改善全球结局（KDIGO）指南建议在慢性肾脏病（CKD）IV-V期使用肾素-血管紧张素-醛固酮系统抑制剂（RAASIs），这与2012年KDIGO指南的建议相反，后者不鼓励使用。本研究旨在评估RAASIs对大量透析患者（其纵向数据仍然稀缺）血钾和死亡率的影响，并将传统统计方法与机器学习（ML）算法进行比较。方法：这项观察性纵向分析纳入了来自西西里肾脏病、透析和移植登记处的4764名血液透析（HD）患者，共有56,964次纵向测量。我们评估了RAASIs对透析环境中血清钾水平和全因死亡率的影响，并比较了传统统计学和机器学习。使用线性混合模型（LMM）和带混合效应的Cox模型进行纵向和生存分析。将其与ML方法进行比较，包括用于钾变异性的随机森林（RF）和用于死亡率的Lasso正则化模型，使用四折交叉验证。结果：该研究包括4764名患者，其中1207名（25%）接受了RAASIs治疗。平均年龄为66±15岁，62%为男性，33%为糖尿病患者，74%的患者有动脉高血压病史。基线时1848名患者存在高钾血症。纵向模型显示血钾统计学显著增加[adjβ = 0.10 mmol/L, 95%CI 0.05/0.15, p < 0.001]，但临床可忽略不计。事实上，RF未将RAASIs检测为相关变量。无论是Cox模型还是ML模型均未检测到RAASIs与死亡率之间的关联。此外，RF模型在解释总钾变异性方面优于传统LMM（56%对43%）。结论：HD患者接受RAASI治疗与血清钾的微小、非临床显著性增加相关，并且不影响全因死亡率。机器学习的整合增强了这些发现的稳健性，支持RAASIs在透析环境中的安全性。