医院主任医师、博士研究生导师；
第十一届中华肾脏病学会青年委员会副主任委员；
第十一届上海肾脏病学会委员、护理学组组长；
第二届上海市医师协会肾脏内科医师分会委员；
上海市肾脏疾病与血液净化重点实验室副主任。
急性肾损伤（AKI）是肿瘤及其治疗过程中的一种常见且严重的并发症。肿瘤患者发生AKI的危险因素包括年龄、基础慢性肾脏疾病、各种肾前性因素、败血症、肾毒性药物或毒物的暴露等。AKI也可继发于肿瘤相关性肾脏病，包括多种病理类型的肾小球肾炎和微血管病变。这一并发症的出现不利于患者的预后，包括影响患者继续接受抗肿瘤治疗的能力。
经典的AKl分为3类：①肾脏灌注不足导致的肾前性肾损伤，不伴肾小管或肾小球病变；②肾小管坏死（缺血或肾毒性物质）、肾小球肾炎或间质性肾炎所导致的肾实质损伤；③泌尿道梗阻引起的肾后性肾损伤。恶性肿瘤相关AKI的发生是肿瘤直接损伤、药物肾毒性、肿瘤治疗并发症和其他致病因素等共同作用的结果。结合患者病情的复杂程度，肿瘤患者可发展为任一类型的AKI，部分患者的肾损伤可存在多种致病因素和易感因素。
丹麦万人的流行病学调查研究显示，—年期间共有例受访肿瘤患者，确诊肿瘤1年内AKI的发生率为17.5％（AKI定义为血肌酐值上升超过基线值的50％），5年以上AKI的发生率为27％。肾癌、多发性骨髓瘤、肝癌1年内发生AKI的风险最高，分别为44％、33％和31.8％。
—年医院的院内流行病学调查结果显示，约2.7万例合并恶性肿瘤的住院患者，肿瘤患者AKI的总体发生率为12.4%。随着住院次数的增加，医院获得性AKI的发生率逐级增加；从人口学因素进行分析，发现男性、高龄、血液系统肿瘤患者的AKI发生率较高。其他危险因素包括：既往高血压、糖尿病、心功能不全、慢性肾脏病病史等。此外，电解质紊乱、低蛋白血症、贫血和高尿酸血症等也是AKI发生的危险因素。
AKI危险因素在临床实践中常较为复杂，因此符合实践需求的预测评分体系应用价值较大。目前对AKI的预测多基于logistic回归的风险评分，但从统计学角度讲，logistic回归需要满足变量独立性条件，而实际上临床变量间常常存在复杂的交互作用。此外，评分模型必须知晓各个变量的状态才能预测结果概率，并不适用于缺失数据的情况。随着电子病历系统的普及推广，为临床提供了大量真实有效的诊疗数据，而针对大数据的机器学习分析技术也为我们分析临床问题提出了新的思路和方法。
机器学习算法多种多样，传统方法包括决策树、随机森林以及支持向量机模型，还有贝叶斯定理的贝叶斯网络模型、朴素贝叶斯模型，以及近年来新出现的XGBoost、神经网络和深度网络等。笔者团队主要聚焦于贝叶斯网络模型的方法，后者由有向无环图和条件概率分布表两部分构成，通过网络拓扑结构揭示出各相关因素间的潜在影响关系。与其他机器学习方法相比，它的优势在于：直观的表达能力、强大的数据处理能力、因果关系的学习能力以及先验知识的结合能力。编辑/排版：许红审校：五百岁扫码
