血清假性高钾修正的机器学习模型建立与应用评估

前言

临床上一般采用血清钾反映我们机体内的钾离子浓度，正常条件下，血浆钾要比血清钾低0.4 mmol/kg左右。当钾离子的平衡紊乱时，可能会危及生命。当血钾浓度高于5.5 mmol/L时，即可诊断为高钾血症，而高于7.0 mmol/L 则为严重高钾血症。 

高钾血症是一种可能危及生命的电解质异常的病理生理状态，高钾血症患者可表现出一系列的神经肌肉症状，如肌无力、肌肉酸痛、震颤。一般情况下，有典型临床症状的为高钾血症患者，假性高钾血症患者无任何临床表现。其次，心电图也可以作为两者的鉴别依据之一。  

再者，还可以同时对血清钾和血浆钾进行测定。当血清钾和血浆钾均升高的时候，为高钾血症；当血清钾升高而血浆钾正常的时候，为假性高钾血症。但由于高钾血症患者并非都具有明显的临床表现，且临床症状无特异性表现，因此特别容易被原发疾病所掩盖。尽管其心电图变化具有特异性，有利于诊断和治疗，但研究结果表明，仅有不足50%的患者心电图发生特异性改变。

血小板增多时，血小板大量聚集，导致血小板破坏，细胞内钾离子大量进入血清中造成血清钾假性升高。有研究者对血小板增多患者的血清钾与血浆钾差异值DK和血小板之间的关系进行研究，得到一种修正钾值的线性计算公式，从而估算真正的血钾值。但其没有全面系统地考虑所有因素对钾离子的影响，如白细胞等其他因素。同时，血小板与DK本身可能并不存在线性关系，而是多因素影响下的非线性关系。因此，本研究拟训练机器学习模型，根据患者的一些基本信息，临床诊断以及检测指标，使其能够识别患者是否为假性高钾血症，同时能够对血清假性高钾进行修正。

我们收集了2021年8月至2022年3月在南方医科大学南方医院检验科门急诊组收集同一患者凝血用的血浆、生化用的血清、血常规用的全血以及其临床资料。采用常用的三种机器学习算法建立模型并对其进行评估。

实验室结果显示，随机森林模型与多层感知器、支持向量机相比获得了更好的表现。AUC达到了0.814。可见随机森林的性能优于其他两类。尽管机器模型的性能仍然不够理想，但能通过提高其对假性高钾的敏感度，来对临床起到预警和提示的作用。后续仍需要对其进一步探索。

修正公式仅仅利用了高血小板与DK值的关系得出，本研究通过开发预测真实血浆钾的机器学习模型，能够综合多种影响因素更全面更系统地来预测指标，采用常用的三种机器学习算法建立模型并对其评估。与多层感知器、支持向量机相比，随机森林的PCC为0.840，表现优于其他机器模型，可见随机森林能较为良好地预测真实血浆钾浓度。修正模型能够在识别血清假性高钾模型预警时，给予临床工作人员一个参考，有助于临床医生进一步的决策和治疗。但三类修正模型总体性能仍不理想，后续需要通过进一步的探索来对模型优化。

在大数据时代，医学领域对数据分析的需求与日俱增。通过机器学习对疾病进行预测和分级成为主要的推动力。而获取更多的训练数据是提高模型性能的一种明显而有效的方法。更多的训练数据能使模型获得更高的准确率。本研究仅收集271例患者的数据，样本量较少，后续可收集更多样本数据来对模型进行训练调优。同时，本研究仅收集了南方医科大学南方医院的患者数据，缺乏外部验证，后续可通过收集多家医院的数据，使训练出的机器学习模型具备更好的泛化性。