心脏手术相关急性肾损伤的临床预测模型:系统综述与Meta分析

Clinical prediction models in cardiac surgery-associated acute kidney injury: a systematic review and meta-analysis

作者信息Pablo Lasa-Berasain, Amaia Torrecilla Ugarte, Raúl Juárez-Vela, Berta Ibánez-Beróiz, Aitor Ansotegui Hernández, Rafael Sádaba, Julio Barado Hualde
PMID42919415
期刊Crit Care
发布时间2026-10-15
DOI10.1186/s13054-026-06380-4

实验完整度

低

系统综述与Meta分析,未开展原始实验,仅汇总已发表预测模型的诊断性能数据

重点核对

Thakar 2005模型预测CSA-AKI RRT的合并AUC 0.80(95% CI 0.77–0.82),基于24个队列、20项研究 Thakar 2005在≥3分阈值下合并敏感性0.87、特异性0.49,基于11项报告混淆矩阵的研究 CSA-AKI RRT合并发生率2.16%(95% CI 2.13–2.18),来自40项研究、1,469,892例患者 任何阶段CSA-AKI合并发生率26.25%(95% CI 26.06–26.44),来自49项研究、206,511例患者 采用随机效应模型合并AUC,AUC值经logit转换后合并,异质性用I²和τ²评估

摘要

目的:心脏手术相关急性肾损伤(CSA-AKI)是常见的术后并发症,与显著的发病率和死亡率相关。临床预测模型(CPM)可识别高风险患者,从而实施有针对性的预防干预并改善结局。本研究旨在识别现有的用于预测CSA-AKI风险的CPM并总结其性能。方法:对Pubmed、Scopus、Cochrane图书馆和Web of Science发表的研究进行系统检索,纳入在体外循环下接受心脏手术的成人患者中开发或验证CSA-AKI CPM的研究。由两名独立评价者提取数据。在可行时使用随机效应模型计算诊断性能的汇总指标。还进行了校准和敏感性分析。结果:CSA-AKI的合并发生率为26.3%(95% CI,26.0-26.4),而需要肾脏替代治疗的CSA-AKI(CSA-AKI RRT)发生在2.2%的患者中(95% CI,2.1-2.2)。在已验证的CPM中,Thakar 2005对CSA-AKI RRT表现出最佳的预测性能:合并AUC为0.80(95% CI,0.77-0.82),在≥3分阈值下敏感性为0.87,特异性为0.49。校准分析表明风险被低估。Mehta 2006和Wijeysundera 2007模型也表现出良好的区分度。对较轻阶段CSA-AKI的预测区分度较差,但较新的模型如Demirjian 2022模型显示出有前景的性能。结论:准确且经过良好验证的CPM可促进CSA-AKI的风险分层,从而影响临床实践和研究。Thakar 2005在预测CSA-AKI RRT方面表现出非常好的区分度,而需要更多验证研究来预测较轻阶段的CSA-AKI。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
识别现有的用于预测心脏手术相关急性肾损伤(CSA-AKI)的临床预测模型,并总结其在预测需肾脏替代治疗的CSA-AKI、任何阶段CSA-AKI和中重度CSA-AKI方面的性能。
核心机制
文中未明确说明
主要证据
共纳入80项研究,其中54项开发原始CPM,14个CPM经外部验证。Thakar 2005在20项研究24个队列中验证,预测CSA-AKI RRT的合并AUC为0.80(95% CI 0.77–0.82),敏感性0.87、特异性0.49;校准分析显示风险被系统性低估。Mehta 2006和Wijeysundera 2007的合并AUC分别为0.78和0.76。任何阶段CSA-AKI的预测区分度较差,Thakar 2005合并AUC仅0.66,Ng 2013为0.71。
研究意义
准确且经过良好验证的CPM可促进CSA-AKI的风险分层,影响临床实践和研究;Thakar 2005可作为预测CSA-AKI RRT的可靠术前筛查工具,而预测较轻阶段CSA-AKI的模型仍需更多外部验证研究。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

系统检索与文献筛选

识别开发或验证成人心脏手术(体外循环)后CSA-AKI临床预测模型的研究

检索PubMed、Scopus、Cochrane Library、Web of Science和Tufts-PACE CPM数据库,由两名独立评价者筛选标题和摘要,分歧通过共识或第三评价者解决

2

数据提取与质量评价

标准化提取研究特征和模型性能数据,并评估偏倚风险

两名评价者独立使用CHARMS清单和PROBAST工具提取数据并评估质量,模型以第一作者姓氏和发表年份标准化命名

3

诊断性能定量合并

汇总外部验证CPM对三种CSA-AKI结局的区分度和诊断准确性

对至少两项外部验证研究的风险评分,采用逆方差随机效应Meta分析合并AUC/C统计量/C指数;对报告混淆矩阵的研究,采用双变量随机效应模型合并敏感性和特异性并生成SROC曲线

4

校准分析

评估预测模型的风险校准程度

定性汇总校准指标,在可行时计算观察-期望比(O:E),并使用Hosmer-Lemeshow拟合优度检验和Spearman相关系数分析校准

5

亚组与敏感性分析

评估发表年份、结局定义和事件加权对合并区分度的影响

限制近10年发表研究、排除非KDIGO定义研究、采用事件加权合并AUC进行敏感性分析;并使用Meta回归评估研究水平特征对模型性能的影响

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
Stata 19版统计软件StataCorp--

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
系统检索与文献筛选
检索数据库(PubMed、Scopus、Cochrane Library、Web of Science、Tufts-PACE CPM数据库)、检索时间范围(建库至2025年12月20日)、纳入排除标准、双人独立筛选流程
阅读提示:Methods的Search strategy and study selection小节;Supplementary Table S3检索策略
数据提取与质量评价
CHARMS和PROBAST模板来源、双人独立提取、分歧解决方式、模型命名标准化规则
阅读提示:Methods的Data extraction and quality assessment小节;Supplementary Figures S1和S2
诊断性能定量合并
随机效应模型类型(逆方差法)、 τ²估计方法(限制性最大似然)、AUC logit转换、AUC分类阈值、双变量模型仅用于报告混淆矩阵的研究、异质性指标(I²、τ²)
阅读提示:Methods的Statistical analysis小节;Fig. 2和Fig. 3图注
校准分析
校准分析以定性为主、O:E比计算条件、Hosmer-Lemeshow检验适用研究、Spearman相关系数计算
阅读提示:Methods的Statistical analysis小节;Supplementary Figures S6和S7
亚组与敏感性分析
近10年发表研究的界定、KDIGO定义研究的筛选、事件加权合并方法、Meta回归调节变量列表
阅读提示:Methods的Statistical analysis小节;Results的Subgroup and sensitivity analysis和Meta-regression小节