急性肾损伤（AKI）是 A 型急性主动脉夹层（TA-AAD）修复术后常见的严重并发症。然而，以往的模型未能考虑血压波动对预测性能的影响。本研究旨在确定术中血压阈值与主动脉夹层术后不良结局之间的关系，开发与术中血压时间序列数据相结合的机器学习模型，以提高术后 AKI 风险早期预测的准确性。

本研究回顾性收集了2019-2022年在南京市第一医院接受TA-AAD修复术的成人患者的病历资料。用于分析的数据包括人口统计学信息、既往病史、实验室检查、手术和麻醉细节等。鉴于已发表的术中低血压和静脉充血的多变性，预设了多个 MAP（< 65、< 60、< 55、< 50 mmHg）和 CVP（> 12、> 16、> 20 mmHg）阈值。对于时间序列数据的处理，我们计算了低于或高于相应阈值的 MAP 和 CVP 的累积持续时间。为了更好地反映异常压力值的持续时间和深度，我们根据梯形法则计算了曲线下总面积 (AUT)。模型的性能通过接收者操作特征曲线下面积（AUROC）、校准曲线和决策分析曲线（DCA）进行评估。

在 306 名入组患者中，有 265 名符合纳入排除标准被纳入本研究。对于降低术后AKI的发生风险，65mmHg显示出区别于其他阈值更佳的统计学意义。在基于4种机器学习算法所构建的9变量模型中，极端梯度提升（XGBoost）模型展示出最令人满意的性能，AUROC 曲线为 0.800（95% CI：0.835-0.899），敏感性为0.737，F1值0.810，优于随机森林（RF）、支持向量机（SVM） 或逻辑回归（LR）算法。SHAP汇总图显示，术中尿量、体外循环外MAP < 65mmhg 的累积时长、自体输血、吸烟、血小板输注、术中使用利尿剂、去甲肾上腺素剂量、体外循环外MAP < 65mmhg的总曲线下面积以及术中低血压累积时长占体外循环时长的比例对预测模型贡献大小逐一减小。

本研究基于机器学习技术结合术中时间变量，为接受TA-AAD的患者提供了一个灵敏的AKI风险预测模型，有望实现将宝贵的密切监护资源集中转移到已被筛查为阳性的高危患者身上，极大促进床边个性化诊疗的精准实施。同时，我们观察到AKI的发生与术中 MAP< 65mmHg呈时间依赖性。这提示临床医生应关注围术期血流动力学管理目标，以帮助改善患者肾功能的预后。未来，值得将本研究发现在多个大型医疗中心部署前瞻性研究。