肾内方向SCI最新一区发文方向！公共数据库顶刊文献分享（附选题方向整理）

为了帮助大家更好地开展科研工作，本公众号将长期针对医学全科提供SCI顶刊文献剖析，希望能为大家提供一些科研选题灵感。

本期为大家分享的是肾内方向最新的公共数据库发文解读，文末我也为大家整理了下一步可以重点关注的选题方向，如果对你有帮助，请不吝啬将好文分享给更多人。

期刊：Cardiovascular Diabetology

分区：中科院医学一区

最新影响因子：10.6

自引率：8.97%

年文章数：455篇

录用难度：难

平均审稿周期：1月

期刊：Critical Care

分区：中科院医学一区

最新影响因子：5.15

自引率：5.7%

年文章数：307篇

接受率：37.5%

平均审稿周期：1.5月

期刊：eClinicalMedicine

分区：中科院医学一区

最新影响因子：10.00

自引率：0.84%

年文章数：583篇

录用难度：难

平均审稿周期：10周

文章速览

血浆致动脉粥样硬化指数与心血管-肾-代谢综合征患者全因死亡率和心血管死亡率之间的关联

目的：评估血浆致动脉粥样硬化指数 (Atherogenic Index of Plasma, AIP=log10[TG/HDL-C])与心血管-肾-代谢 (CKM)  综合征人群的全因死亡率和心血管死亡率之间的关系，并探讨不同CKM阶段的异质性。

设计：基于美国NHANES2005–2018的全国代表性人群，按AHA建议将CKM分为0–4期；与国家死亡索引(NDI)联结，随访至2019-12-31 (中位随访约7.67年) 。共纳入15,703名CKM 0–4期受试者。

暴露：基线AIP (log10[TG/HDL-C]) ，以三分位 (T1–T3) 及连续型形式进入分析。

结局：全因死亡与心血管死亡 (依据ICD-10编码) 。

结果：

• 随访期间共记录死亡1570例，其中心血管死亡344例；在K–M分析中，最低AIP三分位组的全因与心血管死亡率最低。

• 与最低三分位相比，最高AIP三分位的全因死亡风险HR=1.19 (95%CI 1.08–1.31) ，心血管死亡HR=1.38 (1.22–1.57) ，多变量校正后仍显著；AIP (连续型) 与两类死亡呈近似正线性关联 (RCS) 。

• 分期分析显示：AIP与全因死亡的显著关联主要见于CKM晚期 (每升高1个SD，全因死亡风险增加约17%) ；而AIP与心血管死亡在CKM非晚期与晚期均显著。性别存在交互作用，其余分层未见显著交互。

• 敏感性分析 (剔除前2年死亡、TG插补后重复分析) 结果与主分析一致

结论：AIP升高与CKM人群的全因与心血管死亡风险增加相关；其中心血管死亡的风险增幅在CKM不同阶段均可观察到，而全因死亡的关联更集中于CKM晚期。AIP作为简便、可及的脂代谢综合指标，具备在CKM人群中进行死亡风险识别与分层管理的潜在应用价值。

 核心结果：

最高vs最低AIP三分位：全因死亡HR≈1.19；心血管死亡HR≈1.38 (完全校正) 。AIP-死亡呈正向剂量-反应关系。在CKM晚期，每升高1SD的AIP，全因死亡风险升高约17%；心血管死亡在非晚期与晚期均升高。

 下一步研究启示：

多指标联合风险预测模型：整合AIP与其他心血管代谢指标 (TyG指数、炎症标志物、肾功能参数) ，构建CKM综合征患者死亡风险的多维度预测算法并进行外部队列验证。

慢性肾脏病和糖尿病肾病患者应激性高血糖比值与心血管事件及全因死亡率的关联

目的：评估应激性高血糖比值 (Stress Hyperglycemia Ratio, SHR) 与全因死亡和心血管死亡的关联，并在慢性肾脏病 (CKD) 与糖尿病肾病 (DKD) 人群中刻画其剂量–反应 (阈值) 关系。

设计：基于NHANES 1999–2018的全国代表性样本，链接NDI至2019-12-31的观察性队列；纳入CKD或DKD个体 (n=3,507；其中CVD死亡分析n=2,568) 。采用加权Cox回归与受限立方样条 (RCS) 评估非线性关联。

暴露：SHR (由血糖与HbA1c联合计算，反映急/亚急性血糖相对长期糖化水平的升高；文中将SHR分位 (四分位) 用于风险比较与非线性拟合) 。

结局：主要结局为全因死亡与心血管死亡；以人年率、Kaplan–Meier与多模型Cox (逐步调整至人口学、BMI、吸烟、血脂、血压、既往CVD等) 估计风险。

结果：

• 全队列特征：平均年龄60.7岁；女性56%；全因死亡发生率38,000/10万人年；心血管死亡11,405/10万人年。Q2组全因死亡最低 (log-rank P=0.003) 。Q2 vs Q1-4：全因死亡HR=0.76 (95%CI 0.63–0.92)；Q4 vs Q1-3：HR=1.26 (1.04–1.52) 。 

• 非线性与拐点：

• 全因死亡：J型；最低风险SHR=0.923 (CKD人群) ；DKD人群拐点0.971。

• 心血管死亡：U型；最低风险SHR=1.026 (CKD) ；DKD人群拐点1.059。

• 关联在多亚组中一致、交互不显著。

结论：在CKD/DKD人群中，SHR与死亡风险呈非线性相关：全因死亡为J型、心血管死亡为U型；存在低水平与高水平皆不利的区间，提示临床评估应避免单阈值策略，SHR可作为预后分层的补充指标。

 核心结果：

CKD/DKD人群中，SHR与全因死亡呈J型、与心血管死亡呈U型关联 (最低风险约在 SHR≈0.92与1.03) ，高或过低均与死亡风险上升相关。

 下一步研究启示：

• 多代谢指标综合评估模型：在NHANES、UK Biobank等数据库中整合SHR与TyG指数、HOMA-IR、AIP等代谢指标，构建CKD/DKD患者心血管死亡风险的多维度预测模型并进行跨队列验证。

• 糖化血红蛋白变异指标扩展：基于大型公共数据库开发HbA1c变异系数、糖化白蛋白比值等血糖波动性指标，评估其与SHR在CKD进展和心血管事件预测中的协同效应。

ORAKLE：使用深度研究对脓毒症相关AKI患者mAke30的最佳风险预测

目的：开发并外部验证一套基于时间序列的深度学习模型 (ORAKLE) ，用于预测脓毒症相关急性肾损伤 (S-AKI) 患者的MAKE30风险 (30天内死亡/新发透析/持续性肾功能不全) 。

设计：多中心回顾性队列；以MIMIC-IV v3.1为开发与内部测试集 (80/20划分) ，SICdb (奥地利) 与eICU-CRD (全美 208 个 ICU) 作外部验证；纳入满足Sepsis-3且入ICU 48h内发生 AKI (KDIGO) 的成人。预测按自AKI起每8小时滚动更新，最长至7天或发生 MAKE30/出ICU。暴露：TyG=ln[TG (mg/dL) × FBG (mg/dL) / 2]

暴露：EHR可得的动态多变量时间序列特征：人口学、生命体征、实验室 (如SCr、BUN) 、严重度评分 (SOFA、AKI分期) 、治疗措施 (机械通气、血管加压药等) ；每8小时汇总 (均值/求和) ，缺失用前向填充与MICE处理。模型架构基于Dynamic DeepHit (LSTM时间序列子网+原因特异全连接子网) 。

结局：MAKE30 (复合：死亡、启动透析、末次住院SCr≥基线的200%，以入ICU后30天或出院为界) 。

结果：

• 样本量与事件率：MIMIC-IV 16,671 (MAKE30 29%) ，SICdb 2,665 (26%) ，eICU-CRD 11,447 (39%) 。

• 判别能力 (AUROC) ：ORAKLE在内部测试/外部验证优于XGBoost与Cox。

• MIMIC-IV：0.84 (95%CI 0.83–0.86) vs 0.81 vs 0.80。

• SICdb：0.83 (0.81–0.85) vs 0.80 vs 0.79。

• eICU-CRD：0.85(0.84–0.85) vs 0.83 vs 0.81。

• 其他性能：AUPRC同步优于基线模型；Brier score≈0.21，显示良好校准；随预测时点推进 (至AKI后7天) C-index持续高于Cox。

结论：在ORAKLE通过捕捉病程内动态变化，在多中心S-AKI人群中对MAKE30具备稳健、可推广的预测性能，可用于个体化风险评估与富集入组 (高风险患者) 以支撑干预试验与精准管理。

 核心结果：

在三大公开ICU队列 (合计>30,000例) 中，ORAKLE (时序深度学习) 稳定优于Cox/XGBoost预测MAKE30 (外部AUROC约0.83–0.85) ，且校准良好。

 下一步研究启示：

• 多模态数据融合：整合MIMIC-IV、eICU等数据库中的影像学参数、微生物学数据、药物时序信息，构建融合临床-实验室-影像-微生物的多模态S-AKI预后预测模型并评估性能提升幅度。

• 全球模型协作：构建跨MIMIC-IV、eICU、ANZICS、HiRID等全球ICU数据库，在保护数据隐私前提下训练更大规模的S-AKI预后模型并验证其在不同医疗体系中的泛化能力。

开发和验证可解释的多任务模型以预测横纹肌溶解症患者的结果：一项多中心回顾性队列研究

目的：开发并外部验证一个可解释的多任务机器学习模型，用于同时预测横纹肌溶解症 (RM) 患者的4个关键结局：急性肾损伤 (AKI) 、病情严重度、肾脏替代治疗 (RRT) 需求和院内死亡率。

设计：多中心回顾性队列。将eICU-CRD与MIMIC-IV合并作为推导/内部验证队列 (2008–2019 年，n=1,429) ，以中国4家三甲医院电子病历作为外部验证队列 (2016–2022 年，n=362) 。AKI依据KDIGO标准判定；模型性能以AUC评估，并进行外部验证。为提升可解释性，引入SHAP分析并据此进行特征约简。

暴露：入院后24h内可获得的临床变量 (初选22项，经相关性与SHAP指导约简至各任务前5个关键特征) ，并采用多种算法 (LR、SVM、RF、GBM、XGBoost等) 构建多任务预测器。总体上随机森林 (RF) 在多任务上表现最佳；死亡预测任务采用XGBoost作为最优单任务模型。

结局：AKI发生；病情严重度分层；RRT需求；院内死亡。

结果：

• 样本与事件：推导队列n=1,429 (AKI 69.4%，重症36.7%，RRT 12.1%，院内死亡9.8%) ；外部验证队列n=362 (AKI 27.9%，重症25.7%，RRT 27.3%，院内死亡4.1%) 。

• 内部验证AUC (95%CI) ：AKI 0.914 (0.875–0.944) 、严重度0.909 (0.869–0.940) 、RRT 0.888 (0.844–0.921) 、院内死亡0.823 (0.773–0.865) 。

• 外部验证AUC (95%CI) ：AKI 0.906 (0.871–0.934) 、严重度0.856 (0.815–0.890) 、RRT 0.852 (0.811–0.887)、院内死亡 0.832 (0.789–0.869) 。

• 可解释性与简约性：基于SHAP的五特征模型在各任务上与全特征模型性能相当，同时显著降低建模与应用成本；研究团队已开发Web/Android决策支持原型，正于多院试点。

结论：该可解释的多任务模型能在ICU与多中心人群中稳健预测RM的AKI、严重度、RRT需求及院内死亡风险；通过SHAP实现的少特征方案兼顾性能与可落地性，为床旁分层管理与资源分配提供工具。

 核心结果：

五特征、可解释的多任务模型在内部/外部验证中分别取得AKI 0.914/0.906、严重度0.909/0.856、RRT 0.888/0.852、院内死亡0.823/0.832的AUC，具备跨中心可推广性与临床应用潜力。

 下一步研究启示：

• 多ICU数据库模型泛化与优化：利用AmsterdamUMCdb、ANZICS等全球ICU数据库扩展训练集，开发包含更多生物标志物 (肌酸激酶、肌红蛋白、炎症因子) 的增强版多任务模型并评估跨地区泛化性能。

• 动态预测与时序建模：基于MIMIC-IV等高频监测数据构建横纹肌溶解症患者入ICU后动态风险轨迹模型，实现动态预测窗口的预警系统。

通过本期分享的几篇最新SCI研究，目前肾内科数据库研究的选题可重点关注以下方向：

• 多维代谢指标整合的肾脏疾病风险预测模型：整合AIP、TyG指数、SHR等新兴代谢标志物，结合传统肾功能参数和炎症因子，构建CKD/DKD患者心血管事件、疾病进展和死亡风险的多维度预测算法，并在NHANES、UK Biobank等大型队列中进行外部验证。

• 基于深度学习的急性肾损伤动态预警系统：利用MIMIC-IV、eICU等ICU数据库开发融合时间序列临床数据、实验室指标和治疗措施的深度学习模型，实现脓毒症相关AKI、横纹肌溶解症等高危患者的实时风险评估和个体化治疗决策支持。

• 全球肾脏疾病协作建模：构建跨MIMIC-IV、ANZICS、中国ICU数据库等多中心联邦学习平台，在保护患者隐私前提下整合全球肾脏疾病数据资源，开发具有跨地区、跨医疗体系泛化能力的肾脏疾病预后预测和治疗优化模型。

如果你想学习这种挖掘公共数据库发表SCI的方法，难于找不到一个合适的选题、苦于研究过程中遇到的问题太多无法持续推进，那么可以了解一下统计之光公共数据库一对一教学指导。