终末期肾脏病患者多需依赖血液透析治疗，而功能良好的透析通路是血液透析治疗的必要条件，也是透析质量的重要保障[1]。相对于人工血管及中心静脉导管，动静脉内瘘（arteriovenous fistula，AVF）具有长期通畅率高、感染风险低、维护成本低、透析效果稳定等多层面优势[2]，因此临床上将AVF作为血液透析患者的优选方案。
AVF成熟不良是制约AVF使用的重要原因之一[3]。AVF成熟不良不仅增加AVF失功及手术干预的风险，提高医疗成本，降低透析质量，还会增加患者中心静脉导管的留置机会和留置时间，进而提升中心静脉狭窄和导管相关感染的发生率，导致患者的全因死亡风险上升[4]。AVF成熟不良的发生机制复杂，临床上虽可用功能锻炼、药物治疗、腔内介入或外科手术等措施改善内瘘成熟不良，但效果并不理想。因此，术前详细评估、预判功能障碍，对避免AVF成熟不良发生至关重 要。
在医疗场景中，人工智能技术已在智能辅助诊疗、医学影像智能分析、医疗机器人、药物智能挖掘及精准健康管理等多个维度展现出应用潜力[5]。其中，机器学习技术在识别临床结局相关变量、高效挖掘大规模研究数据、构建复杂关系预测模型方面，展现出显著优势[6-7]。机器学习技术在肾脏病学领域的研究已有相当进展，涵盖肾脏病理智能诊断、慢性肾脏病和糖尿病肾病等疾病的风险评估与机制挖掘、急性肾损伤的早期预警以及疾病相关的基因组学研究等方面[8- 12]，但其在预测AVF成熟不良这一临床问题中的应用价值与有效性，尚未得到广泛、深入的系统性研究。因此，本研究基于机器学习算法构建血液透析患者AVF成熟不良预测模型，旨在为合理选择透析患者的血管通路术式，减少并发症提供参考依据。
1 资料与方法
1.1 研究对象
选取2021年1月至2025年1月于开封市人民医院肾病科初次行AVF成形术的血液透析患者，手术均由同一医师完成，术式均为腕部桡动脉-头静脉端侧吻合。病历资料、手术记录、术前实验室检查、血管及AVF等资料由肾内科另一名医师收集并审核。纳入标准：①确诊为慢性肾脏病5期；②初次行透析治疗；③初次行AVF成形术；④年龄≥18岁，并签署知情同意书；⑤术前动脉内径＞1.5 mm，静脉内径＞2 mm；⑥AVF成形术后随访资料完整。排除标准：① 参与者当时正在参加其他介入性临床试验；②合并周围血管疾病；③合并有其他严重的系统性疾病，如血液系统疾病、肿瘤性疾病等。本研究经开封市人民医院伦理委员会批准（批号：2025-03-050-H01）。
1.2 AVF成熟的诊断与判定标准
①AVF临床成熟：能够成功使用双针穿刺且达到处方透析目的；②AVF超声成熟：流出道内径≥4 mm，肱动脉血流量≥500 mL/min；③AVF成熟不良：AVF术后12周，内瘘发育不良，不能满足透析需要，主要表现为穿刺困难和（或）血流量不足。如果患者尚未进入透析，则以超声成熟标准为主。
1.3 研究方法
1.3.1 分组
将研究对象按照7 ∶ 3的比例分为训练集和验证集，并根据AVF成形术后12周是否发生成熟不良再将患者分为正常组及成熟不良组。
1.3.2 资料收集
通过查阅病历，收集患者行AVF成形术前相关病历资料。包括一般资料：年龄、性别、合并症、原发病、既往用药情况；临床资料：收缩压（SBP）、舒张压（DBP）、体重指数（BMI）、左室射血分数（LVEF）、估算肾小球滤过率（eGFR）、红细胞（RBC）、血红蛋白（Hb）、白细胞（WBC）、血小板（PLT）、中性粒细胞绝对计数（NEUT#）、淋巴细胞绝对计数（LYM#）、单核细胞绝对计数（MON#）、嗜酸性粒细胞绝对计数（EOS#）、嗜碱性粒细胞绝对计数（BASO#）、C反应蛋白（CRP）、凝血酶原时间（PT）、国际标准化比值（INR）、凝血酶原活动度（PTA）、活化部分凝血活酶时间（APTT）、纤维蛋白原（FIB）、凝血酶时间（TT）、D-二聚体（D-D）、纤维蛋白降解产物（FDP）、总胆红素（TBiL）、白蛋白（ALB）、球蛋白（GLB）、前白蛋白（PA）、丙氨酸氨基转移酶 （ALT）、天门冬氨酸氨基转移酶（AST）、尿素 （UREA）、肌酐（Cr）、尿酸（UA）、β2微球蛋白（β2-MG）、血糖 （GLU）、甘油三酯（TG）、胆固醇（CHOL）、高密度脂蛋白胆固醇（HDL）、低密度脂蛋白胆固醇（LDL）、血钾（K）、血钠（Na）、血氯（Cl）、钙（Ca）、磷（P）、甲状旁腺激素（PTH）、血清铁蛋白（SF）。
1.3.3 预测模型构建
对训练集患者资料采用极致梯度提升（extreme gradient boosting，XGBoost）、随机森林（random forest，RF）、Logistic回归、梯度提升机（gradient boosting machine，GBM）算法筛选AVF成熟不良相关变量并对4种算法所得变量取交集，得到与AVF成熟不良相关性最强的指标。通过R软件包“rms”，整合筛选出的指标及是否发生成熟不良结局事件，绘制预测列线图。通过受试者工作特征（receiver operating characteristic，ROC）曲线计算曲线下面积（area under the curve，AUC）与一致性指数（concordance index，C-index）评估模型在训练集及验证集中的预测效能。
1.4 统计学分析
通过GraphPad Prism 9.5软件进行统计分析。计数资料以例数和百分比（n，%）表示，组间比较采用χ2检验或Fisher确切检验；符合正态分布的计量资料采用均数和标准差（
）表示，通过t检验进行组间比较；不符合正态分布的计量资料采用中位数和四分位数[M（P25，P75）]表示，通过Mann-Whitney秩和检验进行组间比较；Log-rank检验用于评价AVF生存率差异；P＜0.05为差异具有统计学意义。
2 结果
2.1 一般情况
共纳入260例初次行AVF成形术的慢性肾脏病5期血液透析患者，正常组患者143例，成熟不良组患者117例。二组患者在年龄、性别、并发糖尿病、并发心脑血管疾病、DBP、NEUT#、LYM#、MON#、EOS#、CRP、PT、INR、D-D、FDP、ALB、PA、UREA、Cr、UA、β2-MG、GLU、P方面的差异具有统计学意义（P ＜0.05），见表1，其余基线资料见附件表1。260例患者分为训练集182例用于模型构建，验证集78例用于模型验证，训练集及验证集患者基线资料差异均无统计学意义（P＞0.05），见附件表1。
-
表格1 患者一般情况比较[M（P25，P75）]
Table1.Comparison of general information of patients [M (P25, P75)]
注：*计数资料以例数和百分比（n，%）表示，采用χ2检验进行组间比较；#符合正态分布的计量资料以均数和标准差（x ± s）表示，通过t检验进行组间比较；DBP.舒张压；NEUT#.中性粒细胞绝对计数；LYM#.淋巴细胞绝对计数；MON#.单核细胞绝对计数；EOS#.嗜酸性粒细胞绝对计数；CRP.C反应蛋白；PT.凝血酶原时间；INR.国际标准化比值；D-D.D-二聚体；FDP.纤维蛋白降解产物；ALB.白蛋白；PA.前白蛋白；UREA.尿素；Cr.肌酐；UA.尿酸；β2-MG.β2微球蛋白；GLU.血糖；P.磷。
2.2 Logistic回归筛选AVF成熟不良相关指标
在训练集中，单因素Logistic回归分析结果显示，如表2所示，年龄、并发糖尿病、并发心脑血管疾病、DBP、Hb、ALB、PA、Cr、UA、GLU、P是血液透析患者AVF成形术后成熟不良的影响因素（P ＜0.05）。将上述变量进一步纳入多因素Logistic回归分析，结果显示年龄[OR=1.104，95%CI（1.038，1.186），P=0.004]、ALB [OR=0.885，95%CI（0.778，0.994），P=0.046]是AVF成熟不良的独立影响因素。
-
表格2 AVF成熟不良的影响因素分析
Table2.Analysis of influencing factors for AVF maturation failure
注：DBP.舒张压；Hb.血红蛋白；ALB.白蛋白；PA.前白蛋白；Cr.肌酐；UA.尿酸；GLU.血糖；P.磷。
2.3 XGBoost、RF、GBM算法筛选AVF成熟不良相关指标
通过XGBoost、RF、GBM算法对训练集患者的临床变量进行分析。其中XGBoost算法筛选出20个与AVF成熟不良相关的变量，按照特征重要性依次为：年龄、ALB、D-D、GLU、Hb、K、APTT、应用降糖药/胰岛素、UREA、并发糖尿病、CRP、P、PA、EOS#、SBP、并发心脑血管疾病、UA、PT、NEUT#、DBP（附件图1-A）；RF算法筛选出21个与AVF成熟不良相关的变量，依次为：年龄、ALB、UREA、Hb、GLU、INR、原发病、TT、FDP、Cr、应用降糖药/胰岛素、PLT、LDL、应用抗心脑血管疾病药物、HDL、RBC、并发高血压、PTH、EOS#、P、FIB（附件图1-B）；GBM算法筛选出19个与AVF成熟不良相关的变量，按照特征重要性排名依次为：年龄、ALB、GLU、Hb、并发糖尿病、DBP、D-D、LYM#、TG、PTA、BMI、Na、eGFR、LVEF、应用降压药、SF、Cl、CRP、ALT（附件图1-C）。
2.4 AVF成熟不良预测列线图的构建
为构建AVF成熟不良预测模型，对Logistic回归、XGBoost、RF、GBM算法筛选出的变量取交集，获得与AVF成熟不良相关性最强的变量：年龄、Hb、ALB、GLU（图1-A）。在训练集中，进一步整合上述4个变量及AVF成熟不良结局事件构建预测列线图（图1-B），该模型的C-index为0.912，并且校准曲线显示预测值和观测值具有较好的一致性（图1-C）。该模型ROC曲线AUC值为0.881[95%CI（0.829，0.933），P＜0.001]（图1-D）。为验证上述预测模型的泛化能力，在验证集中结合上述指标构建预测模型，结果显示在验证集中模型的C-index为0.865，ROC曲线AUC值为0.912[95%CI（0.838，0.986），P＜0.001]（图1-E）。
-
图1 AVF成熟不良预测模型的构建
Figure1.Construction of prediction model for AVF maturation failure
注：A. Logistic回归、XGBoost、RF、GBM算法筛选AVF成熟不良相关变量的交集韦恩图；B. 基于训练集构建AVF成熟不良的列线图预测模型；C. 基于训练集构建AVF成熟不良预测模型校准曲线；D. 基于训练集构建AVF成熟不良预测模型的ROC曲线；E. 基于验证集构建AVF成熟不良预测模型的ROC曲线；Hb.血红蛋白；ALB.白蛋白；GLU.血糖。
3 讨论
Logistic回归显示年龄是AVF成熟不良的独立危险因素，并且在XGBoost、RF、GBM算法中年龄的特征重要性均位于首位，提示高龄是影响AVF成熟不良的重要因素，与既往研究相符[13-15]。老年患者多伴有血管硬化、钙化等问题，血管条件差[16]，并且身体功能也较差，合并症多 [17]，这些因素可能是导致AVF成熟不良的重要原因。此外，本研究还发现ALB、Hb、GLU也是导致AVF功能不良的重要因素，ALB降低反映营养状态和炎症水平[18-19]；糖尿病高血糖环境可通过氧化应激损伤血管内皮细胞[20-21]；Hb过低则可影响血管内皮细胞氧供，诱导内皮细胞凋亡、血管损伤[22-23]，上述结果验证了模型生物学合理性。不同机器学习算法展现出显著的变量重要性异质性。这种差异可能是由于传统统计方法难以捕捉的非线性关系或协同效应被机器学习有效捕获。而最终仅年龄、ALB、Hb、GLU四个变量被交叉验证的特征交集保留，提示临床决策中需聚焦强关联因子，避免模型过拟合或复杂度过高影响临床适用性。
本研究存在一定局限性。首先，回顾性研究设计可能导致选择性偏倚，且潜在混杂因素可能影响模型的泛化能力；其次，单中心数据的局限性限制了模型在跨地域及跨种族人群中的外推性，需通过多中心、多族群队列的验证进一步提升模型适应性；此外，术前血管超声评估未纳入血管弹性、钙化等影像学特征，可能导致形态学信息的缺失。未来研究将进一步整合影像学、生物标志物及动态临床数据，以构建更精准、可解释的AVF成熟不良风险预测模型。
综上所述，本研究证实了机器学习技术在AVF成熟不良预测中的可行性与有效性。未来需通过前瞻性多中心研究和真实世界验证进一步提高模型精确性及泛化能力，同时结合移动医疗技术实现预测工具的临床转化，最终助力血液透析患者血管通路精确管理范式的革新。
附件见《医学新知》官网附录（https://yxxz.whuznhmedj.com/futureApi/storage/appendix/202507122.pdf）
伦理声明：本研究经开封市人民医院伦理委员会审核批准（批号：2025-03-050-H01）
作者贡献：研究设计：王高源、李明峰；数据采集：李明峰；人工智能算法：王高源；数据分析、论文撰写与审定：王高源、李明峰
数据获取：本研究中使用和(或)分析的数据可联系通信作者获取
利益冲突声明：无
致谢：不适用
1.Zhang Y, Kong X, Liang L, et al. Regulation of vascular remodeling by immune microenvironment after the establishment of autologous arteriovenous fistula in ESRD patients[J]. Front Immunol, 2024, 15: 1365422. DOI: 10.3389/fimmu.2024.1365422.
2.Konner K, Nonnast-Daniel B, Ritz E. The arteriovenous fistula[J]. J Am Soc Nephrol, 2003, 14(6): 1669-1680. DOI: 10.1097/01.asn.0000069219.88168.39.
3.中华医学会肾脏病学分会专家组. 透析通路中国指南（2024年版）[J]. 中华肾脏病杂志, 2024, 40(12): 990-1070. [Chinese Society of Nephrology. Guidelines for dialysis access in China (2024)[J]. Chinese Journal of Nephrology, 2024, 40(12): 990-1070.] DOI: 10.3760/cma.j.cn441217-20230926-00935.
4.赵彬, 王慧, 王玉柱, 等. 自体动静脉内瘘成熟的预测因素及辅助成熟干预时机的初步探讨[J]. 中华肾脏病杂志, 2023, 39(4): 263-271. [Zhao B, Wang H, Wang YZ, et al. Predictive factors of autogenous arteriovenous fistula maturation and preliminary study on assisted maturation intervention timing[J]. Chinese Journal of Nephrology, 2023, 39(4): 263-271.] DOI: 10.3760/cma.j.cn441217-20220920-00933.
5.Bi WL, Hosny A, Schabath MB, et al. Artificial intelligence in cancer imaging: clinical challenges and applications[J]. CA Cancer J Clin, 2019, 69(2): 127-157. DOI: 10.3322/caac.21552.
6.Tran KA, Kondrashova O, Bradley A, et al. Deep learning in cancer diagnosis, prognosis and treatment selection[J]. Genome Med, 2021, 13(1): 152. DOI: 10.1186/s13073-021-00968-x.
7.张雷, 胡鑫涛, 陈巍, 等. 基于机器学习算法构建多病共存老年人轻度认知功能障碍预测模型[J]. 医学新知, 2025, 35(4): 409-418. [Zhang L, Hu XT, Chen W, et al. Constructing a predictive model for mild cognitive impairment in elderly individuals with coexisting multiple diseases based on machine learning algorithms[J]. Yixue Xinzhi Zazhi , 2025, 35(4): 409-418.] DOI: 10.12173/j.issn.1004-5511.202312108.
8.Feng C, Liu F. Artificial intelligence in renal pathology: current status and future[J]. Biomol Biomed, 2023, 23(2): 225-234. DOI: 10.17305/bjbms.2022.8318.
9.Sassanarakkit S, Hadpech S, Thongboonkerd V. Theranostic roles of machine learning in clinical management of kidney stone disease[J]. Comput Struct Biotechnol J, 2022, 21: 260-266. DOI: 10.1016/j.csbj.2022.12.004.
10.Aslan MF, Sabanci K. A novel proposal for deep learning-based diabetes prediction: converting clinical data to image data[J]. Diagnostics (Basel), 2023, 13(4): 796. DOI: 10.3390/diagnostics13040796.
11.Matsushita FY, Krebs VLJ, de Carvalho WB. Complete blood count and C-reactive protein to predict positive blood culture among neonates using machine learning algorithms[J]. Clinics (Sao Paulo), 2022, 78: 100148. DOI: 10.1016/j.clinsp.2022.100148.
12.Hu Y, Irinyi L, Hoang MTV, et al. Inferring species compositions of complex fungal communities from long- and short-read sequence data[J]. mBio, 2022, 13(2): e0244421. DOI: 10.1128/mbio.02444-21.
13.武煜, 陈炳华, 张林, 等. 老年维持性血液透析患者血管通路超声影像及血栓形成的风险预测[J]. 中国老年学杂志, 2025, 45(10): 2374-2379. [Wu Y, Chen BH, Zhang L, et al. Ultrasonographic imaging of vascular access and risk prediction of thrombosis in elderly maintenance hemodialysis patients[J]. Chinese Journal of Gerontology, 2025, 45(10): 2374-2379.] DOI: 10.3969/j.issn.1005-9202.
14.李鸿博. 维持性血液透析患者自体动静脉内瘘并发症的危险因素分析及风险预测模型的构建[J]. 中国血液净化, 2023, 22(11): 861-865. [Li HB. Analysis of risk factors and construction of a risk prediction model for the complications of autologous arteriovenous fistula in maintenance hemodialysis patients[J]. Chinese Journal of Blood Purification, 2023, 22(11): 861-865.] DOI: 10.3969/j.issn.1671-4091.2023.11.014.
15.何静, 梅吉本, 胡艳, 等. 维持性血液透析患者自体动静脉内瘘功能不良及PTA术后狭窄的影响因素分析[J]. 中南医学科学杂志, 2025, 53(4): 720-723, 727. [He J, Mei JB, Hu Y, et al. Analysis of influencing factors of autogenous arteriovenous fistula dysfunction and post-PTA stenosis in maintenance hemodialysis patients[J]. Medical Science Journal of Central South China, 2025, 53(4): 720-723, 727.] DOI: 10.15972/j.cnki.43-1509/r.2025.04.039.
16.Wong E, Ballew SH, Daya N, et al. Hospitalization risk among older adults with chronic kidney disease[J]. Am J Nephrol, 2019, 50(3): 212-220. DOI: 10.1159/000501539.
17.Liu XY, Li ZW, Zhang B, et al. Effects of preoperative bicarbonate and lactate levels on short-term outcomes and prognosis in elderly patients with colorectal cancer[J]. BMC Surg, 2023, 23(1): 127. DOI: 10.1186/s12893-023-02039-x.
18.Iizaka S, Sanada H, Matsui Y, et al. Serum albumin level is a limited nutritional marker for predicting wound healing in patients with pressure ulcer: two multicenter prospective cohort studies[J]. Clin Nutr, 2011, 30(6): 738-745. DOI: 10.1016/j.clnu.2011.07.003.
19.Chen J, Shao J, Zhang X, et al. Monitoring early dynamic changes of plasma cell-free DNA and pretreatment pre-albumin to predict chemotherapy effectiveness and survival outcomes in advanced non-small cell lung cancer[J]. Ann Transl Med, 2022, 10(5): 253. DOI: 10.21037/atm-22-12.
20.Shi CH, Wang C, Bai R, et al. Associations among glycemic excursions, glycated hemoglobin and high-sensitivity C-reactive protein in patients with poorly controlled type 2 diabetes mellitus[J]. Exp Ther Med, 2015, 10(5): 1937-1942. DOI: 10.3892/etm.2015.2730.
21.Pothen L, Verdoy R, De Mulder D, et al. Sustained downregulation of vascular smooth muscle acta2 after transient angiotensin II infusion: a new model of "vascular memory"[J]. Front Cardiovasc Med, 2022, 9: 854361. DOI: 10.3389/fcvm.2022.854361.
22.Yang L, Chen W, Li B, et al. Circular RNA circ_0026218 suppressed atherosclerosis progression via miR-338-3p/SIRT6 Axis[J]. Biomed Res Int, 2023, 2023: 5647758. DOI: 10.1155/2023/5647758.
23.Wu F, Wang JY, Dorman B, et al. c-Jun-mediated miR-19b expression induces endothelial barrier dysfunction in an in vitro model of hemorrhagic shock[J]. Mol Med, 2022, 28(1): 123. DOI: 10.1186/s10020-022-00550-0.
欢迎访问中南医学期刊社系列期刊网站！
