機器學習預測動靜脈內(nèi)瘺經(jīng)皮腔內(nèi)血管成形術后再狹窄失功的應用

[摘要] 目的 基于機器學習探究動靜脈內(nèi)瘺經(jīng)皮腔內(nèi)血管成形術（percutaneous transluminal angioplasty，PTA）術后1年再狹窄失功的危險因素及預測模型。方法 選取2018年6月1日至2023年12月31日在溫州市中心醫(yī)院行動靜脈內(nèi)瘺PTA的322例患者并收集其手術相關數(shù)據(jù)，采用隨機森林（random forest，RF）、極端梯度提升算法（extreme gradient boosting，XGBoost）、支持向量機（support vector machine，SVM）、梯度提升決策樹（gradient boosting decision tree，GBDT）和邏輯回歸（Logistic regression，LR）構建預測模型。通過受試者操作特征曲線下面積評估預測效能。結果 發(fā)生再狹窄失功97例，非失功225例，PTA術后1年患者動靜脈內(nèi)瘺的再狹窄失功發(fā)生率30.1%，失功組患者的年齡、合并糖尿病、吸煙、鈣磷乘積、擴張壓力≥20mmHg、球囊直徑≥6mm均高于非失功組，差異有統(tǒng)計學意義（Plt;0.05）。基于機器學習建立的RF、XGBoost、SVM、GBDT、LR模型曲線下面積分別為0.908（95%CI：0.836～0.980）、0.809（95%CI：0.696～0.922）、0.745（95%CI：0.624～0.867）、0.711（95%CI：0.576～0.847）、0.651（95%CI：0.508～0.795），敏感度分別為79.1%、70.8%、83.3%、62.5%、72.3%，特異性分別為89.0%、81.2%、57.8%、78.9%、71.0%。結論 年齡、合并糖尿病、吸煙、鈣磷乘積、擴張壓力≥20mmHg、球囊直徑≥6mm是患者動靜脈內(nèi)瘺PTA術后再狹窄失功發(fā)生的獨立危險因素，可作為預測動靜脈內(nèi)瘺PTA術后1年再狹窄失功的指標，基于機器學習算法建立的RF預測模型具有較好的預測效能，可較好地預測動靜脈內(nèi)瘺PTA術后1年再狹窄失功。

[關鍵詞] 動靜脈內(nèi)瘺；機器學習；內(nèi)瘺失功；經(jīng)皮腔內(nèi)血管成形術；預測模型

[中圖分類號] R654.4" """"[文獻標識碼] A """""[DOI] 10.3969/j.issn.1673-9701.2025.24.006

Application of machine learning in predicting restenosis dysfunction after percutaneous transluminal angioplasty of internal arteriovenous fistula

WANG Zemin， SHAO Guojian， CHENG Yaqian， JIN Shuting

Department of Nephrology， Wenzhou Central Hospital， Wenzhou 325000， Zhejiang， China

[Abstract] Objective To explore the risk factors analysis and prediction model establishment of restenosis dysfunction at 1 year after percutaneous transluminal angioplasty （PTA） of internal arteriovenous fistula based on machine learning. Methods A total of 322 patients who underwent PTA of internal arteriovenous fistula in Wenzhou Central Hospital from June 1， 2018 to December 31， 2023 were enrolled. The operation-related data were collected. Variables were used to construct prediction models using five machine learning algorithms： Random forest （RF）， extreme gradient boosting （XGBoost）， support vector machine （SVM）， gradient boosting decision tree （GBDT） and Logistic regression （LR）. The predictive efficacy was evaluated by area under receiver operating characteristic curve. Results There were 97 cases of restenosis dysfunction and 225 cases of non-dysfunction. The incidence of internal fistula restenosis dysfuction was 30.1 % 1 year after PTA. The age， diabetes， smoking， calcium-phosphorus product， dilatation pressure ≥20mmHg， and balloon diameter ≥6mm in dysfunction group were higher than those in non-dysfunction group. The difference was statistically significant （Plt;0.05）. The area under the curve of RF， XGBoost， SVM， GBDT and LR models based on machine learning was 0.908 （95%CI： 0.836-0.980）， 0.809（95%CI： 0.696-0.922）， 0.745（95%CI： 0.624-0.867）， 0.711（95%CI： 0.576-0.847） and 0.651（95%CI： 0.508-0.795）， respectively. The sensitivity was 79.1%， 70.8%， 83.3%， 62.5% and 72.3%， respectively. The specificity was 89.0%， 81.2%， 57.8%， 78.9% and 71.0%， respectively. Conclusion Age， diabetes mellitus， smoking， calcium-phosphorus product， expansion pressure ≥20mmHg， balloon diameter ≥6mm are independent risk factors for restenosis failure after PTA in patients with internal arteriovenous fistula， which can be used as an index to predict restenosis failure 1 year after PTA in internal arteriovenous fistula. The random forest prediction model based on machine learning algorithm has good prediction performance and can better predict restenosis failure 1 year after PTA in internal arteriovenous fistula.

[Key words] Internal arteriovenous fistula; Machine learning; Internal fistula failure; Percutaneous transluminal angioplasty; Prediction model

尿毒癥的治療已成為全球公共衛(wèi)生領域的一項重大挑戰(zhàn)。研究顯示2023年中國有106萬尿毒癥患者接受透析治療，其中血液透析（hemodialysis，HD）患者91.6萬例，尿毒癥不僅顯著降低患者的生活質(zhì)量，還給家庭及社會造成巨大負擔^[1]。

HD是尿毒癥患者常見且重要的治療方式之一，可有效清除體內(nèi)的代謝毒素和多余液體，其成功實施高度依賴穩(wěn)定的血管通路。動靜脈內(nèi)瘺（internal arteriovenous fistula，IAVF）被廣泛認為是首選的血管通路^[2]。然而，IAVF易發(fā)生狹窄失功，導致血流受限，進而影響透析效果。經(jīng)皮腔內(nèi)血管成形術（percutaneous transluminal angioplasty，PTA）已被廣泛應用于治療內(nèi)瘺狹窄，但研究顯示約40%的IAVF在PTA術后1年內(nèi)出現(xiàn)再狹窄，嚴重影響患者的預后和治療效果^[3]。早期識別和預測PTA術后再狹窄失功已成為改善HD治療效果的重要研究方向。本研究分析IAVF在PTA術后1年再狹窄失功的危險因素，并構建相關預測模型。

1" 資料與方法

1.1" 一般資料

選取2018年6月1日至2023年12月31日在溫州市中心醫(yī)院行IAVF的PTA患者322例。納入標準：①年齡gt;18歲；②IAVF成熟后出現(xiàn)狹窄，首次接受PTA治療且狹窄處成功完全擴張。排除標準：①PTA失敗或狹窄未完全擴張；②IAVF尚未成熟時即發(fā)生狹窄或閉塞；③人工血管動靜脈瘺狹窄；④使用切割球囊或超高壓球囊，或接受開放手術重建；⑤患者失訪或預計生存期不足12個月。本研究經(jīng)溫州市中心醫(yī)院倫理委員會審批通過（倫理審批號：L2022-02-046）。

1.2 "方法

收集患者首次PTA的基本信息、生化檢查結果和手術相關數(shù)據(jù)。基本信息：性別、年齡、吸煙史、內(nèi)瘺使用時長及是否合并高血壓或糖尿病等；生化檢查項目：血紅蛋白、白蛋白、鈣磷乘積、甲狀旁腺激素、血清膽固醇、甘油三酯、凝血酶原時間、血細胞比容、纖維蛋白原、國際標準化比值、肌酐、尿素氮；手術相關數(shù)據(jù)：擴張球囊的直徑及壓力。

患者在術后1年接受門診復診或電話隨訪評估內(nèi)瘺的通暢情況。根據(jù)術后1年內(nèi)是否發(fā)生內(nèi)瘺再狹窄失功，將患者分為內(nèi)瘺再狹窄失功組和非失功組。內(nèi)瘺再狹窄失功定義^[4]：成熟的IAVF出現(xiàn)局部狹窄，狹窄超過血管管徑的50%，并伴有內(nèi)瘺血流量lt;500ml/min或不能滿足透析處方所需血流量；透析靜脈壓升高；穿刺困難；透析充分性下降；內(nèi)瘺出現(xiàn)異常體征等。

1.3 "統(tǒng)計學方法

采用SPSS 23.0統(tǒng)計學軟件對數(shù)據(jù)進行處理分析。符合正態(tài)分布的計量資料以均數(shù)±標準差（"）表示，組間比較采用獨立樣本t檢驗；不符合正態(tài)分布的計量資料以中位數(shù)（四分位數(shù)間距）[M（Q₁，Q₃）]表示，組間比較采用非參數(shù)檢驗；計數(shù)資料以例數(shù)（百分率）[n（%）]表示，比較采用c²檢驗。為構建和驗證預測模型，采用單純隨機抽樣方法將納入患者按7∶3比例隨機分為訓練集和測試集，訓練集用于模型構建，測試集用于效能評估。采用R 4.3.2軟件進行機器學習模型的開發(fā)和驗證，分別使用隨機森林（random forest，RF）、支持向量機（support vector machine，SVM）、梯度提升決策樹（gradient boosting decision tree，GBDT）和極端梯度提升算法（extreme gradient boosting，XGBoost）構建預測模型。采用受試者操作特征曲線（receiver operating characteristic curve，ROC曲線）、曲線下面積（area under the curve，AUC）、敏感度和特異性評估模型的預測效能，比較不同模型在預測內(nèi)瘺PTA術后1年再狹窄失功的效果。

2" 結果

2.1" 兩組患者的一般資料及PTA術后1年內(nèi)瘺再狹窄失功的單因素分析

本研究共納入322例患者，其中男180例，女142例；發(fā)生再狹窄失功97例，納入失功組，未失功225例納入非失功組。臨床特征單因素分析結果顯示，失功組患者的年齡、合并糖尿病及吸煙患者的比例、鈣磷乘積、擴張壓力≥20mmHg（1mmHg= 0.133kPa）及球囊直徑≥6mm患者的比例均高于非失功組，失功組患者的內(nèi)瘺時間短于對照組，差異有統(tǒng)計學意義（Plt;0.05），見表1。

2.2 "內(nèi)瘺PTA術后1年再狹窄失功的危險因素分析

以年齡、合并糖尿病、吸煙、鈣磷乘積、擴張壓力≥20mmHg、球囊直徑≥6mm及內(nèi)瘺時間為自變量，以1年內(nèi)是否再狹窄失功為因變量進行多因素Logistic回歸分析，結果顯示年齡、合并糖尿病、吸煙、鈣磷乘積、擴張壓力≥20mmHg、球囊直徑≥6mm是患者內(nèi)瘺PTA術后1年再狹窄失功發(fā)生的獨立危險因素（Plt;0.05），內(nèi)瘺時間是內(nèi)瘺PTA術后1年再狹窄失功發(fā)生的獨立保護因素（Plt;0.05）。見表2。

2.3" 預測模型的建立與評價

隨機分層抽取本研究中225例為訓練集，97例患者為測試集，訓練集與測試集患者的一般資料比較，差異無統(tǒng)計學意義（Plt;0.05）。采用訓練集對模型進行訓練，以年齡、合并糖尿病、吸煙、鈣磷乘積、擴張壓力≥20mmHg、球囊直徑≥6mm及內(nèi)瘺時間為輸入變量，以是否發(fā)生內(nèi)瘺再狹窄失功為結果變量建立預測模型，利用測試集對建立的模型進行內(nèi)部驗證，結果顯示RF、XGBoost、SVM、GBDT、LR模型在測試集上均表現(xiàn)出良好的預測性能，且RF模型的特異性及AUC高于其他模型。LR對預測內(nèi)瘺PTA術后1年再狹窄失功相對較差，AUC僅為0.651；SVM模型的敏感度最高，見表3。

3" 討論

IAVF狹窄失功是IAVF最常見的并發(fā)癥之一，雖然PTA已被廣泛應用于治療IAVF狹窄，并在一定程度上緩解IAVF狹窄導致的血流受限^[5]；但研究顯示PTA治療后仍存在IAVF再狹窄失功的風險，且受多種因素影響，包括PTA的操作技術、患者的血管特征、術后抗凝治療及患者基礎疾病等^[6-9]。本研究結果顯示年齡、糖尿病、吸煙、鈣磷乘積、球囊擴張壓力≥20mmHg、球囊直徑≥6mm與PTA術后再狹窄失功相關。分析原因：隨著年齡增長，血管壁彈性減弱，老年患者的血管硬化及內(nèi)皮細胞功能失調(diào)可導致PTA術后再狹窄失功的發(fā)生^[10-11]；糖尿病患者普遍存在血管內(nèi)皮功能障礙和慢性炎癥，且高血糖狀態(tài)可通過促使平滑肌細胞增殖和基質(zhì)合成促進血管壁的纖維化，增加內(nèi)瘺PTA后再狹窄失功的風險^[12]。吸煙對血管內(nèi)皮的毒性作用可促進局部血栓形成及炎癥反應^[13]。鈣磷代謝紊亂可促進血管鈣化，進而增加血管硬度和狹窄發(fā)生風險^[14]。本研究發(fā)現(xiàn)PTA時球囊擴張壓力≥20mmHg、球囊直徑≥6mm與術后再狹窄失功相關，可能是球囊擴張對正常的血管同樣有一定程度的擴張，更大的球囊壓力及更大的球囊直徑導致對正常血管的內(nèi)膜撕裂更嚴重，進而影響PTA術后內(nèi)瘺再狹窄失功的發(fā)生^[10]。本研究未發(fā)現(xiàn)貧血、營養(yǎng)狀況、脂質(zhì)代謝、凝血功能與PTA后內(nèi)瘺再狹窄失功相關，可能與這些指標隨著用藥的影響波動范圍大及未控制其他混雜變量有關。

隨著機器學習技術的發(fā)展，其在醫(yī)學領域的應用日益廣泛。機器學習可處理大量復雜的醫(yī)療數(shù)據(jù)，輔助疾病診斷、預后預測和制定個體化治療方案^[15]。在眾多機器學習算法中，RF、SVM、GBDT和XGBoost被廣泛應用于醫(yī)學數(shù)據(jù)分析^[16]。RF通過集成多棵決策樹，具有較強的泛化能力和抗過擬合能力。SVM對處理高維數(shù)據(jù)和小樣本集表現(xiàn)出色，但對參數(shù)和核函數(shù)的選擇較敏感。GBDT和XGBoost作為提升方法的代表，可有效處理非線性關系，但可能存在訓練時間較長和對參數(shù)設置敏感的問題^[17]。本研究比較上述模型在預測內(nèi)瘺PTA術后再狹窄失功中的性能。結果顯示RF模型的特異性和AUC高于其他模型，表明其在預測內(nèi)瘺PTA術后再狹窄失功方面具有優(yōu)勢，為早期診斷提供依據(jù)。

本研究存在一定局限性：①樣本量較小，可能影響模型的泛化能力。未來研究應擴大樣本量，提高模型的穩(wěn)健性。②模型的性能可能受特征選擇和參數(shù)設置的影響。后續(xù)研究可采用自動化特征選擇方法和優(yōu)化算法，進一步提升模型的預測能力。還需考慮整合多種模型的優(yōu)勢，構建集成模型，以期在預測內(nèi)瘺PTA術后再狹窄失功方面取得更好的效果。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1]"" GAN L， GU L， GE Y， et al. Comparison of middle molecule removal with expanded hemodialysis versus haemodiafiltration among Chinese hemodialysis patients[J]. Ren Fail， 2025， 47（1）： 2498093.

[2]"" VAZQUEZ-PADRON R I， DUQUE J C， TABBARA M， et al. Intimal hyperplasia and arteriovenous fistula failure： Looking beyond size differences[J]. Kidney360， 2021， 2（8）： 1360–1372.

[3]"" KAKIZAKI S， KOZUKI A， KIJIMA Y， et al. Predictor analysis of 1-year restenosis after percutaneous transluminal angioplasty for femoropopliteal stenotic lesions using intravascular ultrasound[J]. Heart Vessels， 2021， 36（11）： 1661–1669.

[4]"" 吳芳， 李炎， 薛銳. 基于不同研究方案自體動靜脈內(nèi)瘺失功風險預測模型的研究進展[J]. 中國中西醫(yī)結合腎病雜志， 2024， 25（6）： 553–555.

[5]"" CHEUNG A K， IMREY P B， ALPERS C E， et al. Intimal hyperplasia， stenosis， and arteriovenous fistula maturation failure in the hemodialysis fistula maturation study[J]. J Am Soc Nephrol， 2017， 28（10）： 3005–3013.

[6]"" YOSHIDA M， DOI S， NAKASHIMA A， et al. Different risk factors are associated with vascular access patency after construction and percutaneous transluminal angioplasty in patients starting hemodialysis[J]. J Vasc Access， 2021， 22（5）： 707–715.

[7]"" ZHOU M， CHEN G， FENG L， et al. Effects of ultrasound-guided percutaneous transluminal angioplasty for stenosis of arteriovenous fistula used for hemodialysis and related factors influencing patency[J]. Ann Ital Chir， 2020， 91： 55–60.

[8]"" 梁心議， 王桃霞， 劉曉麗， 等. 自體動靜脈內(nèi)瘺狹窄機制的研究進展[J]. 中國血液凈化， 2024， 23（8）： 609–611， 640.

[9]"" LUO Q， LIU H， YANG Q. Analysis of factors influencing restenosis after percutaneous transluminal angioplasty[J]. Blood Purif， 2022， 51（12）： 1031–1038.

[10] YAP Y S， CHI W C， LIN C H， et al. Factors affecting patency of arteriovenous fistula following first percutaneous transluminal angioplasty[J]. Clin Exp Nephrol， 2021， 25（1）： 80–86.

[11] KOCHANEK M A， MCGILL R L， NAVULURI R， et al. Outcomes after percutaneous angioplasty of arteriovenous fistulas and grafts in African American patients[J]. Can Assoc Radiol J， 2019， 70（3）： 300–306.