开发多维深度学习模型并进行外部验证，以动态预测 IgA 肾病的肾脏预后。

背景：准确预测 IgA 肾病的肾脏预后对临床决策至关重要。以往的研究中对纵向数据的使用不足，限制了预测模型的准确性和可解释性，因为它未能反映 IgA 肾病的慢性性质。本研究旨在利用全面的纵向数据建立一个多变量动态深度学习模型，用于预测IgA肾病的肾脏预后：在这项回顾性队列研究中，18 家肾脏中心共收治了 2,056 名 IgA 肾病患者，采用滑动窗口法收集了 28,317 个数据点。其中，单个中心的 15,462 个窗口被随机分配到训练集（80%）和验证集（20%），而 18 个肾脏中心的 8797 个窗口被分配到独立的测试集。利用深度学习模型--可解释多变量长短期记忆（IMV-LSTM），根据活检时测量的时变变量和随访期间测量的时变变量预测肾脏结局（肾衰竭或肾功能下降50%）。使用卡普兰-梅耶尔分析和C统计量评估风险表现。还进行了轨迹分析，以评估随访期间临床变量的各种趋势：该模型在测试集上的 C 统计量（0.93；95% CI，0.92-0.95）高于我们在之前的研究中仅使用基线信息开发的 XGBoost 预测模型（C 统计量，0.84；95% CI，0.80-0.88）。Kaplan-Meier 分析表明，完整模型预测风险较低的组比预测风险较高的组存活时间更长。时间变量的重要性得分高于时间不变变量。在时间变量中，最近的测量结果显示出更高的重要性得分。进一步的解释显示，时间变量的某些轨迹组，如血清肌酐和尿蛋白，与不良后果风险升高有关：在IgA肾病中，深度学习模型可用于根据纵向数据准确、动态地预测肾脏预后，时间变量显示出预测肾脏预后的强大能力。