综述文章

终末期肾病的预后评估：工具、证据与临床应用

90 次观看

⸱

DOI：

10.3791/70058

⸱

2026年8月18日

 , 
1Division of Nephrology, Toronto General Hospital, University Health Network, University of Toronto

本文内容

摘要

本文综述了终末期肾病的预后评估工具，重点介绍了其在死亡风险评估、共同决策、保守性肾脏管理以及老年患者个体化治疗规划中的应用。

摘要

终末期肾病的预后评估是实现以患者为中心的医疗和共同决策的基础。本文综述了针对考虑接受透析或保守性肾脏治疗的老年终末期肾病患者，当前有关预后评估的证据。文章探讨了进行预后评估的依据，并回顾了主要的临床、功能及实验室死亡风险预测因素，包括合并症负担、衰弱状态、功能状态和生化指标。本文还讨论了经过验证的预后评估工具，如查尔森合并症指数（Charlson Comorbidity Index）、“意外问题”（Surprise Question）以及多变量预测模型，以及新兴的用于个体化风险预测的机器学习方法。此外，文章分析了功能下降、住院经历以及生存获益有限等因素对治疗决策的影响，并强调了预后信息在预先医疗计划和目标一致照护中的作用。同时，本文探讨了预后信息的沟通方式，以及在常规肾科临床实践中应用预后工具所面临的实际挑战。通过将基于证据的预后评估与个体化的临床判断及患者价值观相结合，预后评估可支持知情治疗决策，促进针对老年终末期肾病患者的个体化照护。

引言

慢性肾脏病（CKD）影响全球约8.436亿人，其中超过200万人患有终末期肾病（ESKD）1,2,3,4,5。老年人群发生晚期肾病的风险增加，尤其是合并心血管疾病及其他共病的个体。尽管医学治疗已取得重大进展，ESKD仍带来显著的死亡率和发病率风险1,4。

慢性肾病（CKD）管理的一个重要方面是提前进行照护规划，以应对病情进展至终末期肾病（ESKD）的可能性。肾移植是首选的肾脏替代治疗方式，因其在生存率和生活质量方面具有最佳疗效。然而，对于没有合适供体的患者，移植可能无法实施；而对于手术或内科风险较高、身体虚弱或预期寿命有限的患者，移植可能是禁忌。这种情况在老年患者中尤为常见，他们可能面临不确定的未来，以及在开始终身透析治疗（无论是在家中还是在诊所）与选择以症状控制为重点的非透析治疗之间做出艰难抉择。需明确的是，后者可能缩短生存时间。医生有临床、伦理和法律上的责任，在个体化、以患者为中心的前提下提供照护，同时应认识到，在某些情况下，透析可能增加患者痛苦，却未必能延长生命6。

在此背景下，预先医疗照护计划是一项重要工具，有助于使未来的医疗决策与患者的个人价值观、意愿以及不断变化的临床状况保持一致，从而支持患者、家属及医疗专业人员6。当患者及其家属获得关于透析治疗利弊的清晰且全面的信息时，他们能够更好地做出符合自身价值观和偏好的知情选择。应邀请并鼓励他们参与共同决策过程。尽管透析可能延长生存期并缓解症状，但在老年及体弱患者中，其获益可能有限，且治疗可能显著降低患者的独立性及生活质量7。因此，预后评估是患者教育和共同决策的关键组成部分。为了权衡生存期与生活质量之间的取舍，患者需要了解开始透析可能带来的生存获益，以及治疗对其生活质量的潜在影响。

本文综述了用于评估考虑或开始透析的患者预后的各种策略和工具的关键特征。同时探讨了这些方法如何支持肾脏护理团队、患者及其家属在终末期肾病（ESKD）的治疗选择和护理路径方面共同做出决策 （图1）。

慢性肾病/终末期肾病治疗决策的以患者为中心的预后评估路径图，显示评估和决策步骤。
图1。晚期慢性肾病（CKD）和终末期肾病（ESKD）中以患者为中心的预后评估路径。 该示意图总结了全面的患者评估、多模式预后评估、预后信息沟通与共同决策、治疗方案选择以及持续再评估，以支持以患者为中心的照护。上标数字对应文稿中引用的参考文献。该图在OpenAI图像生成工具的辅助下生成，随后由作者审阅并确认其科学性和临床准确性。 请点击此处查看该图的放大版本。

综述与观点

慢性肾病预后评估的重要性

了解预后情况及疾病进展的预期过程，可显著影响治疗目标和人生决策。这种理解对于提供以患者为中心的护理、促进医患共同决策以及推动预先医疗计划至关重要。然而，针对癌症患者和老年人的研究表明，医务人员很少向患者沟通预后信息，而患者往往对未来持有过度乐观的预期8。

预后评估是患者与医生之间讨论的核心内容，因为关于预期寿命的信息在决定是否启动透析时常被关注。个人、文化和宗教偏好及价值观在个体是否选择透析以延长生命方面也起着重要作用6。一种能够预测早期死亡风险的模型可能有助于实现治疗方案的个体化，并促进医疗专业人员、慢性肾病患者及其家庭成员之间的共同决策9。这对于正在考虑采取更为保守治疗路径的患者尤为重要。保守性肾脏护理（CKC）指在不启动透析的前提下，继续进行积极的医疗管理、症状控制和多学科支持，目前国际指南 increasingly 将其视为一种合法的治疗路径，而非仅适用于不适合接受肾脏替代治疗患者的默认选择10。总体而言，透析相比CKC可提供更长的中位生存期（从治疗决策时起分别为3.1年与1.5年）；然而，这一生存优势在80岁及以上的患者中消失（P = 0.08），并在伴有严重心血管合并症的患者中显著减弱11,12。除死亡率结果外，接受CKC患者的住院率也显著较低（发生率比为0.40；95%置信区间[CI]，0.32–0.49）13。

CKC 还与生活质量的改善、症状负担的减轻以及更有可能在家中而非医院去世相关12。这些发现支持根据患者的脆弱性发展轨迹前瞻性地整合 CKC，而不仅仅将其作为最后的治疗选择。预后评估可能有助于识别最有可能从这种治疗理念中获益的个体。例如，如果预计患者在开始透析后第一年内死亡风险较高，则可考虑采用 CKC 或改良透析策略作为合适的选择9。Jassal et al. 提出了基于衰弱状态制定的透析照护路径，根据患者的衰弱程度调整治疗强度、饮食限制和居家支持，并通过定期再评估，使患者在病情变化时可在不同路径之间双向转换14。

预测工具可能有助于医疗专业人员指导患者及其家属做出关于终末期肾病（ESKD）治疗的决策15,16。尽管国际指南强烈建议向患者告知预后情况17,18,19，且有证据表明大多数患者希望获得预后信息20,21,22，但这一做法尚未在常规临床实践中得到一致实施。有效的预后沟通面临多种障碍。肾科医生可能缺乏能够提供准确、个体化风险评估的工具，并且可能因担心预后信息对患者情绪造成潜在影响而对讨论预后感到不安。研究还表明，患者通常更倾向于进行更广泛的预后讨论，而非仅以预计生存时间形式表达的预测结果23。此外，许多预后模型难以在常规临床实践中应用，因为它们缺乏外部验证，且相对较少的模型是基于包含接受腹膜透析患者的队列开发的。除了预测早期死亡率外，Dusseux et al. 还为接受透析的老年法国患者（年龄≥70岁）开发了一个3年死亡风险评分，用于识别可能适合肾移植的候选者，表明预后工具的应用范围已超越启动透析治疗的初始决策（表1）24。

终末期肾病老年患者的总体死亡率

对于患有终末期肾病（ESKD）并接受透析治疗的老年患者而言，其预期寿命仍显著低于普通人群。根据美国肾脏数据系统（USRDS，2024）4的数据，65至74岁成年患者的5年生存率为35.6%，而75岁及以上患者的5年生存率仅为23.8%，且在过去十年中仅有轻微改善。按透析方式分析，不同模式的预后情况相似。在血液透析（HD）中，5年生存率维持在约34%；而在腹膜透析（PD）中，5年生存率则根据年龄不同，介于22%至35%之间。

最新的USRDS数据还表明，2022年接受透析治疗的65–69岁人群的预期剩余寿命约为：女性4.6年，男性4.5年。对于75–79岁人群，这一数值下降至女性3.5年，男性3.3年。相比之下，同一年龄组的肾移植受者预期可额外获得7–11年的寿命，而普通人群的预期剩余寿命约为16–18年。尽管技术不断进步且受试者筛选标准有所改善，这些发现仍证实透析治疗在延长寿命方面的获益仍然有限4。

尽管近期数据显示生存率趋于稳定，但此前已有类似的预后模式报道。在美国一项针对超过35万名年龄在65岁及以上的成年人的基于人群的分析中，Kurella et al.25 报道，开始透析后的预期寿命随着年龄增长而持续下降。中位生存期（第50百分位数）从65至69岁成年人的2.5年下降至90岁及以上个体的0.6年。同样，第75百分位数从4.6年下降至1.7年，而第25百分位数在同一年龄组中从0.9年下降至0.2年。这种广泛的差异表明，相同年龄个体之间存在显著的预后异质性，提示仅凭生理年龄无法确定预后。开始透析后的早期阶段死亡风险最高。在欧洲，年龄超过75岁后开始透析的成年人，其1年和2年生存概率分别为71%和54%，而在美国分别为59%和43%。超过10%的患者在开始透析后的前3个月内死亡26。

尽管存在这些流行病学发现，患者对预后的看法往往与实际的生存结果存在显著差异。在一项纳入993名接受透析治疗患者的队列研究中，仅有11.2%的患者预期寿命少于5年，而有33.0%的患者预期存活超过10年，然而根据美国肾脏数据系统（USRDS）的数据，实际上有60.3%的患者在5年内死亡。与具有更现实生存预期的患者相比，预期生存时间更长的患者记录治疗偏好的可能性显著更低，优先选择以舒适为中心的治疗的可能性也更低，而更倾向于选择心肺复苏（校正后比值比[aOR]，5.3）或机械通气（aOR，2.2）8。

终末期肾病老年患者的医疗并发症与住院情况

开始接受肾脏替代治疗的老年患者常伴有多种合并症及急性临床事件，这些因素直接影响其预后。根据美国肾脏数据系统（USRDS，2024）4的数据，2022年新发终末期肾病（ESKD）患者中，59%患有糖尿病，25%患有心力衰竭，17%–28%患有各种形式的心血管疾病。该报告还显示，在接受腹膜透析（PD）的人群中，65–74岁和≥75岁个体经调整后的全因住院率分别为每年每患者1.37和1.42次事件，而接受血液透析（HD）者分别为每年每患者1.46和1.49次事件4。

开始透析的老年患者常伴有多种合并症，这些合并症显著影响其临床病程。合并症也对5期慢性肾病（CKD）患者的健康结局和生存率产生深远影响。多项研究报道，在选择透析治疗的患者与接受保守治疗管理的患者之间，生存率无显著差异。这一发现可能反映了在进展至终末期肾病（ESKD）之前死亡的竞争风险较高，同时透析治疗带来的生存获益有限27,28。

在美国一项针对391名年龄≥65.5岁的医疗保险受益人的队列研究中，近三分之二的患者患有四种或更多慢性疾病，73%的患者在住院期间开始透析。这两个因素均独立地与超过50%的一年死亡率相关29。类似地，一项纳入28,049名年龄≥67岁成人的全国登记研究发现，80岁以上患者在开始透析后的第一年内平均在医院或护理机构中度过67天，其中患有痴呆或心血管疾病的患者医疗资源利用程度最高30。

除了高发的共病外，透析开始后的早期阶段常表现为反复住院、感染和功能下降。在一项2017年启动透析的超过10,000名个体的欧洲队列研究中，82.8%的患者在第一年内至少经历了一次住院，33.8%的患者死亡，突显了早期并发症带来的巨大负担31。感染相关住院仍是导致发病的主要原因，约占所有住院病例的三分之一，并在随访期间影响了近一半的老年患者。糖尿病、心力衰竭和低白蛋白血症是这些住院事件的主要危险因素之一32。

开始透析的老年患者功能衰退

功能衰弱和依赖性进一步增加了老年患者开始透析治疗的相关风险。在接受血液透析（HD）的老年患者中，46%被归类为衰弱状态，55%存在营养不良，21%在基本日常生活活动中存在依赖性33。开始透析治疗后出现的功能衰退十分常见，具有重要的临床意义。

在Tamura et al.34的一项里程碑式研究中，该研究纳入了美国3700多名养老院居民，其最低数据集-日常生活活动（MDS-ADL）评分——一种源自长期护理机构所使用的最低数据集的标准化基本自理能力依赖性评估指标35——在接受透析前的中位数为12，透析开始后上升至16。在3个月时，仅有39%的参与者维持了基线功能状态。到1年时，58%的参与者已死亡，仅13%仍保持原有的功能水平。同样，Jassal et al.36 报道，在年龄≥80岁的成年人中，超过30%在开始透析后的前6个月内失去了独立性。无论是透析方式（血液透析 versus 腹膜透析）还是透析启动的场所（住院 versus 门诊），均未发现与后续功能下降相关36。

最近的证据表明，这种模式在社区居住的老年人群中同样存在。Goto 等37 进行的一项荷兰队列研究显示，40%年龄在65岁及以上的成年人在开始透析后的前6个月内出现功能衰退，其中老年人和身体虚弱者风险最高。此外，79%的参与者在基线时已存在一定程度的功能依赖，随访期间照护者负担从23%上升至38%37。

国际研究始终表明，功能依赖与较差的预后相关。一项于2016年发表的透析结局与实践模式研究发现，严重功能依赖（功能评分 <8/13）与死亡风险增加2.37倍相关，且该关联独立于年龄和合并症38。Pereira et al.33 同样报告，在接受血液透析（HD）的75岁及以上成人中，衰弱和功能依赖的发生率较高，并常伴有透析后疲劳。这些发现进一步强调了在透析开始时即进行全面的老年综合评估，并及早实施康复和支持性照护策略的重要性。

慢性肾病和终末期肾病人群死亡率预测预后工具的开发

尽管基于人群的死亡率数据为透析对老年人潜在益处提供了总体视角，但无法提供个体化的预后评估。为了支持更个性化的预后判断，来自多个国家的研究人员已为慢性肾病（CKD）患者以及进展至终末期肾病（ESKD）的患者开发了风险预测工具。这些工具在设计和预期临床应用方面存在显著差异。部分工具依赖于单一的主观临床评估，而另一些则整合了常规可获得的实验室参数、结构化的合并症指数，或需要专用数据基础设施的多变量和机器学习模型。这种异质性具有重要的实际意义，因为在繁忙的门诊环境中最易于使用的工具，未必是预测性能最佳的工具。

合并症对透析期间生存率的影响

合并症负担是老年透析起始患者早期死亡和住院的明确决定因素，多个研究团队已将其风险转化为具有良好预测性能和临床适用性的预后模型。大多数预测模型均包含某些特定的合并症，尤其是血管疾病，特别是外周血管疾病，以及认知障碍（如痴呆）。其他常见疾病，包括充血性心力衰竭（CHF），在不同模型中的预测性能表现不一。一些严重的危及生命的疾病，如活动性或转移性癌症，以及其他终末器官疾病（如肝功能障碍和呼吸衰竭），也被纳入部分预后模型中26,39。

在用于总结多重共病情况的工具中，查尔森共病指数（Charlson Comorbidity Index, CCI）仍是应用最广泛的工具之一。Hemmelgarn et al.40 在将其应用于终末期肾病（ESKD）患者时，证实了原始CCI的有效性，并表明ESKD共病指数具有更优的预测性能（表1）。在CCI中，转移性疾病、淋巴瘤和充血性心力衰竭（CHF）的权重最高，这表明死亡风险更多地受到整体共病负担的影响，而不仅仅是年龄因素。此后，CCI的有效性已在多项独立研究中得到验证41,42,43,44。尽管纳入更多的共病种类可能提高预测准确性，但这也会增加在常规临床实践中应用这些模型的复杂性。

不同预后模型在预测性能上的差异可能反映了其衍生人群之间的差异。大多数模型是在单一地理区域内开发的，尚未经过外部验证45。此外，由于患有终末期疾病（如转移性癌症）或预期寿命极短的患者可能不会接受透析治疗，因此在用于构建这些模型的人群中，此类患者可能代表性不足，从而导致选择偏倚影响模型性能。在临床实践中解读和应用预后估计值时，应考虑这种潜在的指征偏倚。

功能量表与“意外问题”的应用

衰弱被认为是慢性肾脏病（CKD）老年患者死亡率和住院风险的独立预测因子。在此类人群中，衰弱现象十分常见。Gimena-Muñoz 等46 使用Fried衰弱表型定义衰弱状态，报道了晚期慢性肾脏病患者中衰弱的患病率为27%。他们还确定2型糖尿病和贫血是衰弱的独立预测因子。此外，衰弱可能显著增加新发慢性肾脏病的风险47.

在Puri的系统评价和荟萃分析中 等48，其中包括105项涉及晚期慢性肾脏病患者的研究，使用Fried衰弱表型或Rockwood临床衰弱量表（CFS）评估衰弱状况，结果显示衰弱个体的死亡风险较非衰弱个体增加一倍（表1此外，衰弱使住院风险增加一倍，证实其预后价值超越了实际年龄和合并症的影响。这些发现强调了在肾脏病临床实践中将衰弱评估纳入常规风险分层的重要性。

与这些发现一致，Kennard 等49 报道，衰弱与晚期慢性肾脏病（CKD）患者死亡、住院以及进展至透析的风险增加2至6倍相关。接受透析治疗患者的衰弱也与多种频繁发生的并发症相关50，包括感染、心血管事件、血管通路失功、透析后恢复时间延长以及治疗依从性降低。在老年人群中，这些并发症导致更高的疾病负担、更严重的功能依赖以及更高的医疗资源利用。衰弱在CKD患者中仍是发病率和死亡率的强有力预测因子，包括接受肾脏替代治疗和保守管理的患者，即使在对实际年龄和多种共病情况进行校正后依然如此51。将功能评估量表与客观临床参数相结合，可能进一步提高终末期肾病（ESKD）风险预测工具的预测效能6,26。

多个针对慢性肾病（CKD）和终末期肾病（ESKD）的预后模型纳入了“意外问题”（Surprise Question，SQ），即询问“如果此人未来12个月内死亡，您会感到意外吗？”。这些模型包括Cohen et al.52、Schmidt et al.6 和Javier et al.53 所开发的模型（表1）。SQ反映了医疗专业人员对患者健康状况的整体临床判断，可视为一种临床综合判断（clinical gestalt）的度量方式。在一项前瞻性多中心研究中，Schmidt et al.6 建立了一个包含三个独立预测因子的预后模型：对SQ的否定回答（比值比 [OR]，3.29）、中等或低水平的卡诺夫斯基功能状态评分（KPS）（KPS为50–70时，OR为2.09；KPS ≤40时，OR为4.69）以及年龄增长（每增加一个十年，OR为1.41）。该模型表现出良好的预测效能，突显了将临床判断与客观功能评估相结合在估计晚期CKD不良结局中的价值（表1）6。

Javier 等人53 在一项针对 388 名年龄 ≥60 岁、未接受透析的 4–5 期慢性肾脏病（CKD）成年患者的前瞻性研究中评估了 SQ（见表 1）。他们采用三分类版本的 SQ（是/不确定/否），结果显示死亡风险呈现明显梯度：回答“是”者为 5%，“不确定”者为 15%，“否”者为 27%（P < 0.001）。SQ 的二分类版本虽提高了敏感性（66%），但特异性有所下降（68%）。尽管 SQ 的解读本质上具有主观性，且可能因临床医生而异53，但其主要优势在于操作简便、直观易用，适合常规临床实践。

实验室参数

多项常规检测的实验室指标在开始透析时已显示出具有预后意义，包括估算的肾小球滤过率（eGFR）、血清白蛋白、血红蛋白以及透析充分性指标如Kt/V54,55,56。在这些指标中，血清白蛋白和血红蛋白是易于获取的标志物，可反映患者的营养状况、炎症状态及功能状态。在一项针对慢性肾脏病（CKD）1–4期老年人的回顾性队列研究中，经年龄、性别和肾功能调整后，较低的血清白蛋白水平与全因死亡率升高独立相关55。类似地，开始透析时存在贫血已被证实是早期死亡的强预测因子，即使后续进行纠正，血红蛋白水平低于10 g/dL的患者仍表现出显著更高的死亡率56。这一观察提示，透析开始时的低血红蛋白可能反映了慢性炎症或透析前治疗不足，而不仅仅是可逆性贫血。尽管看似违反直觉，较高的eGFR在开始透析时也与早期死亡率升高相关54。这种关联很可能反映了指征偏倚，即尽管肾功能相对保留，但伴有严重合并症或急性疾病的患者会更早开始透析。这也可能反映了营养不良和肌肉量减少的影响。

作者 / 年份工具类型研究人群目标 / 预后时间范围主要变量临床适用性 / 局限性
Schmidt et al.6临床预测模型慢性肾脏病 4–5 期（非透析）12 个月死亡率意外问题、KPS、年龄简单且经过验证的模型，有助于支持关于启动透析或采取保守肾脏管理的决策。
Obi et al.9临床预测模型35,878 名美国退伍军人1 年死亡率（eGFR <15 与 ≥15 mL/min/1.73 m²）年龄、合并症、eGFR、白蛋白、癌症根据 eGFR 建立了不同的模型；队列以男性为主；未包含衰弱或功能评估指标。
Couchoud et al.15临床预测模型≥75 岁（法国，REIN）3 个月死亡率年龄、性别、充血性心力衰竭、心律失常、外周血管疾病、活动性癌症、低白蛋白血症、功能依赖、行为障碍将患者分为低、中、高风险组；广泛适用于患有终末期肾病的老年患者。
Davison et al.18临床预测模型腹膜透析6–18 个月死亡率改良的 Cohen 模型加上由护理人员完成的意外问题在腹膜透析患者中经过外部验证；在高风险患者中高估死亡率；突出了护理人员的作用以及功能评估的重要性。
Dusseux et al.24临床预测模型新发透析、≥70 岁（法国，REIN）3 年死亡率年龄、性别、糖尿病、心血管疾病、依赖状态、低 BMI、临时导管旨在识别适合转诊进行肾移植的患者，而非启动透析的患者；区分能力中等（c 统计量 0.71），校准性良好，但尚未在法国以外地区进行外部验证。
Thamer et al. 39临床预测模型≥67 岁，美国3 个月和 6 个月死亡率综合与简化模型（年龄、依赖状态、白蛋白、癌症、充血性心力衰竭、住院、机构居住）简化的床旁评分；未纳入生活质量或患者偏好指标。
Hemmelgarn et al.40合并症指数维持性血液透析总体死亡率合并症（充血性心力衰竭、癌症、淋巴瘤、转移）终末期肾病指数优于CCI。当与机器学习结合时性能进一步提升（Noh et al.43；AUC 0.8357）。
Santos et al.44临床预测模型≥65 岁，葡萄牙启动透析后 6 个月死亡率年龄、冠状动脉疾病、偏瘫性卒中、低白蛋白、晚期肾病专科转诊优于 Couchoud 模型；排除了非透析患者，且未包含衰弱评估。
Ivory et al.45临床预测模型新发血液透析/腹膜透析，≥15 岁（ANZDATA）6 个月死亡率十二项临床变量（年龄、BMI、合并症、糖尿病、晚期转诊）优于 Couchoud 和 Wagner 模型；在澳大利亚和新西兰以外地区的适用性可能有限。
Puri et al.48衰弱/功能量表成人慢性肾脏病（所有阶段，包括透析）死亡率和住院率FFP、CFS、改良 FFP、FRAIL 量表、衰弱指数FFP 和 CFS 在预测死亡率和住院率方面表现出最强的预后价值。当无法进行基于表现的测试时，改良 FFP 是一种实用的替代方案；仅凭临床判断是不够的。
Oki et al.50衰弱/功能量表新发血液透析/腹膜透析患者2 年死亡率和住院率CFS由护士回顾性应用；排除了长期住院患者；适用于常规临床使用。
Cohen et al.52临床预测模型维持性血液透析6 个月死亡率年龄、痴呆、外周血管疾病、白蛋白、意外问题结合了临床判断与客观变量；表现出较强的区分能力（AUC 0.80–0.87）。
Javier et al.53主观评估工具≥60 岁，慢性肾脏病 4–5 期12 个月死亡率意外问题（三分类和二分类版本）可预测 1 年死亡率；需要事先了解患者情况；评估者间一致性中等，重测信度良好。
Sun et al.55实验室指标慢性肾脏病 1–4 期（70% ≥65 岁）长期全因死亡率血清白蛋白、年龄回顾性单中心队列研究（n = 201）；可作为补充标志物使用，而非独立预测因子。
Wick et al. 54临床预测模型启动透析时年龄 ≥65 岁6 个月死亡率年龄 ≥80 岁、eGFR ≥15 mL/min/1.73 m²、既往住院史、充血性心力衰竭、房颤、癌症用于分层短期死亡风险；eGFR ≥15 mL/min/1.73 m² 可能反映早期或非计划性透析启动；区分能力良好（ROC 0.73）。
Karaboyas et al.56实验室指标国际新发血液透析（DOPPS）1 年死亡率基线血红蛋白、ESA 和静脉铁剂剂量显示铁剂剂量与死亡率呈 U 形关联；血红蛋白 <10 g/dL 或较高 ESA 剂量时死亡率更高；可作为补充生物标志物使用。
García-Montemayor et al.57机器学习模型新发血液透析（西班牙）6–24 个月死亡率十五项临床和实验室变量（随机森林）相较于逻辑回归有适度提升（ΔAUC 0.007–0.046）；肌酐、Kt/V 和血红蛋白是早期死亡的重要预测因子。
Sheng et al.59机器学习模型新发血液透析（中国）1 年死亡率年龄、eGFR、CRP、血红蛋白、合并症（XGBoost）AUC 0.83–0.85；从 42 个候选变量中保留了 15 个；需在不同人群中进行外部验证。

表1：预测晚期慢性肾病和终末期肾病患者死亡率的工具。 本表总结了已验证的预后预测工具、衰弱评估方法、实验室标志物以及机器学习模型，这些工具和模型用于估算晚期慢性肾病（CKD）和终末期肾病（ESKD）患者的死亡风险。对于每项研究，本表列出了研究人群、预测时间范围、主要预测变量以及临床应用中的关键考虑因素，包括优势与局限性。 缩写：AF，心房颤动；AUC，受试者工作特征曲线下面积；BMI，体重指数；CCI，查尔森合并症指数；CFS，临床衰弱量表；CHF，充血性心力衰竭；CKD，慢性肾病；CRP，C反应蛋白；CVD，心血管疾病；eGFR，估算的肾小球滤过率；ESA，促红细胞生成素刺激剂；ESKD，终末期肾病；FFP，弗里德衰弱表型；HD，血液透析；IV，静脉内；KPS，卡诺夫斯基体能状态评分；PD，腹膜透析；REIN，肾脏流行病学与信息网络；ROC，受试者工作特征；US，美国；XGBoost，极端梯度提升算法。 请点击此处下载此表格。

用于死亡率预测的机器学习模型

机器学习（ML）算法在透析患者死亡率预测中的应用日益广泛，多项研究表明，与传统的基于回归的模型相比，其判别能力有所提升。Garcia-Montemayor et al.57 报道，随机森林模型在预测血液透析患者6个月、1年和2年死亡率方面优于逻辑回归模型，受试者工作特征曲线下面积（AUC）范围为0.68至0.73（表1）。Yang et al.58 将CatBoost分类器应用于腹膜透析患者，获得的AUC为0.80，并识别出年龄、体重和血清白蛋白为最具影响力的预测因子。Sheng et al.59 开发并对外部验证了一种极端梯度提升（XGBoost）模型，用于预测97个肾脏中心患者的首年死亡率。该模型的AUC达到0.83–0.85，显著优于既往发表的回归模型（表1）。类似地，Koh et al.60 在一个较老的东南亚队列中证明，随机森林模型的表现优于已建立的REIN和Wick预后评分，AUC达到0.83。

尽管这些发现令人鼓舞，但仍存在重要局限性。大多数机器学习模型是基于单中心队列的回顾性数据开发的，外部验证有限，且可解释性较差。尽管诸如SHapley加性解释（SHAP）等可解释性方法已提高了模型的透明度，但可解释性仍是机器学习在临床常规应用中的重要障碍。迄今为止，尚无前瞻性随机对照试验评估过机器学习指导的预后预测是否能够改善慢性肾病（CKD）或终末期肾病（ESKD）患者的临床结局或共享决策的质量，这构成了重要的证据空白。

预后工具在临床实践中应用的障碍

尽管针对晚期慢性肾病（CKD）和终末期肾病（ESKD）患者的预后评估工具日益增多，但其在常规临床实践中的应用仍然有限。对加拿大肾脏病学家的调查显示，超过80%的医生主要依赖临床经验进行预后判断，而约70%的医生从不或很少使用正式的预测工具61。报告中的障碍包括对基于人群的风险评估结果是否适用于个体患者的担忧、时间限制，以及对现有工具及其使用证据的熟悉程度不足。值得注意的是，医疗专业人员始终区分了预后工具在人群层面的价值与在个体患者中应用之间的差异，这凸显出仅靠外部验证难以解决的挑战62。

许多预后模型的实际应用受到进一步限制，因为一些出版物未提供可用的格式，例如完整的回归方程或风险评分，使得常规临床应用变得困难63。此外，仅有26.7%的已发表模型经过外部验证，而正式评估预后工具是否能够改善共同决策或患者结局的影响研究仍然较少见63。因此，预后工具在肾脏病学中的实际应用仍处于较低水平，这可能反映了临床医生信心不足、缺乏使用经验，以及对其在改善患者结局方面的临床实用性存在不确定性64。

解决这一实施差距需要付出超出开发和验证新预后模型的努力。将预后工具整合到电子健康记录中，可能减少临床医生普遍指出的时间、可及性和工作流程方面的障碍62。此外，在严重疾病沟通中培训肾脏病医生有效传达概率性风险信息，而不仅仅是提供数值估计，其重要性可能不亚于进一步提高模型的准确性62,65。

局限性

现有文献存在若干局限性，值得指出。大多数预后模型9,26,39,45,55,66均基于地理范围受限的队列开发，其在其他医疗环境中的普适性尚不明确。尽管部分工具专门针对老年人群开发，但许多经过验证的模型仍包含较年轻的透析人群，而专为衰弱老年人群设计的预后工具仍十分有限。当前文献主要集中于血液透析队列，而对于接受腹膜透析患者的经验证预后模型则极为稀缺，其中Davison et al.18的研究是为数不多的可用范例之一。机器学习模型虽具前景，但尚未在前瞻性临床试验中得到评估，且目前尚无任何可用的预后工具通过随机对照研究证明其应用可改善共同决策质量或患者结局。

未来的研究应优先开展预后模型在不同人群和透析方式中的开发与外部验证，对基于预后评估指导的临床照护进行前瞻性评价，并将患者报告的偏好整合到临床风险评估框架中。

结论

预后评估是共同决策的重要组成部分。肾脏病医生应以准确且以患者为中心的方式提供预后信息，帮助将建议的治疗方案与患者的价值观和偏好相一致。预后工具（包括风险预测模型）可协助肾脏病医生进行更为细致的风险评估。这些工具可能有助于早期识别出可能从综合老年评估、预先护理计划，或在特定情况下从侵入性较小的治疗选择或姑息治疗中获益的个体26。相反，它们也可帮助识别出预后良好的患者，这些患者可能从积极的血管通路规划或移植评估中获益。现有的预后工具范围广泛，从快速的主观评估（如“意外问题”[Surprise Question]）到复杂的多变量模型不等。然而，这些模型可能并不适用于所有人群，仅应在适当的临床背景下使用。因此，医疗专业人员应采用多模式方法，结合实验室参数、合并症、功能评估量表和临床判断，以制定不过于简化的预后估计。Cohen et al.52、Schmidt et al.6 和 Couchoud et al.26 开发的模型（表1）可能特别有用，因为已有公开发表的风险计算器可供使用，可在临床实践中快速应用。Cohen et al.52 和 Schmidt et al.6 开发的模型将临床判断与客观参数相结合，从而实现更全面的评估。预后信息的沟通方式同样重要。信息应以患者易于理解的语言呈现，并对其讨论死亡率的准备程度保持敏感。预后估计应引导对话，并为治疗的潜在益处和局限性提供背景；临床医生应避免在缺乏适当解释的情况下呈现绝对风险估计。结构化的沟通框架（如“最佳情况/最差情况”工具）利用情景规划和图形辅助手段，描述每种治疗选择的最佳、最可能和最差结局。这些方法可帮助肾脏病医生超越孤立的统计估计，支持患者及其家属做出符合其目标和价值观的治疗决策16,67。未来的研究应着重于在不同人群中验证预后工具，并评估其使用是否能改善共同决策和以患者为中心的结局。

披露

作者声明不存在任何竞争性财务利益或利益冲突。此外，作者使用了OpenAI的图像生成工具创建了图1的初始版本。该图随后经过作者审阅、修改并最终批准，作者对图像的科学内容和临床准确性负全部责任。

参考文献

  1. Kovesdy CP. Epidemiology of chronic kidney disease: an update 2022. Kidney Int Suppl. 2022;12:7-11. doi:10.1016/j.kisu.2021.11.003.
  2. Couser WG, Remuzzi G, Mendis S, Tonelli M. The contribution of chronic kidney disease to the global burden of major noncommunicable diseases. Kidney Int. 2011;80(12):1258-70. doi:10.1038/ki.2011.368.
  3. Tamura MK. Incidence, management, and outcomes of end-stage renal disease in the elderly. Curr Opin Nephrol Hypertens. 2009;18:252-7. doi:10.1097/MNH.0b013e328326f3ac.
  4. United States Renal Data System. 2024 USRDS Annual Data Report: Epidemiology of Kidney Disease in the United States [Internet]. 2024 [cited 2025 Oct 5]. Available from: https://usrds-adr.niddk.nih.gov/2024/suggested-citation.
  5. Merchant A, Moideen A. Comprehensive insights into palliative nephrology: a chapter in contemporary renal medicine. In: Bolling G, Zelko E, editors. Palliative Care—Current Practice and Future Perspectives. IntechOpen; 2023. doi:10.5772/intechopen.1003074.
  6. Schmidt RJ, et al. Derivation and validation of a prognostic model to predict mortality in patients with advanced chronic kidney disease. Nephrol Dial Transplant. 2019;34(9):1517-25. doi:10.1093/ndt/gfy305.
  7. Merchant AA, Ling E. An approach to treating older adults with chronic kidney disease. CMAJ. 2023;195:E612-8. doi:10.1503/cmaj.221427.
  8. O’Hare AM, et al. Assessment of self-reported prognostic expectations of people undergoing dialysis: United States Renal Data System Study of Treatment Preferences (USTATE). JAMA Intern Med. 2019;179(10):1325-33. doi:10.1001/jamainternmed.2019.2879.
  9. Obi Y, et al. Development and validation of prediction scores for early mortality at transition to dialysis. Mayo Clin Proc. 2018;93(9):1224-35. doi:10.1016/j.mayocp.2018.04.017.
  10. Kidney Disease: Improving Global Outcomes (KDIGO) CKD Work Group. KDIGO 2024 clinical practice guideline for the evaluation and management of chronic kidney disease. Kidney Int. 2024;105(4 Suppl):S117-314. doi:10.1016/S0085-2538(24)00110-8.
  11. Verberne WR, et al. Comparative survival among older adults with advanced kidney disease managed conservatively versus with dialysis. Clin J Am Soc Nephrol. 2016;11(4):633-40. doi:10.2215/CJN.07510715.
  12. Buur LE, et al. Does conservative kidney management offer a quantity or quality of life benefit compared with dialysis? A systematic review. BMC Nephrol. 2021;22:307. doi:10.1186/s12882-021-02516-6.
  13. Kobayashi A, et al. Comprehensive conservative kidney management among older populations: a nationwide administrative claims database analysis. Kidney360. 2025;6:1713-21. doi:10.34067/KID.0000000923.
  14. Jassal SV, Van Loon I. Redesigning peritoneal dialysis care: the introduction of frailty-informed pathways. Perit Dial Int. 2025;45(2):70-3. doi:10.1177/08968608241304272.
  15. Couchoud C, et al. Supportive care: time to change our prognostic tools and their use in CKD. Clin J Am Soc Nephrol. 2016;11(10):1892-901. doi:10.2215/CJN.12631115.
  16. Zimmermann CJ, et al. Opportunities to improve shared decision making in dialysis decisions for older adults with life-limiting kidney disease: a pilot study. J Palliat Med. 2020;23(5):627-34. doi:10.1089/jpm.2019.0340.
  17. Schell JO, et al. Discussions of the kidney disease trajectory by elderly patients and nephrologists: a qualitative study. Am J Kidney Dis. 2012;59(4):495-503. doi:10.1053/j.ajkd.2011.11.023.
  18. Davison SN, Rathwell S. External validation of a prognostic model in routine practice for short- and long-term survival in peritoneal dialysis. Perit Dial Int. 2026;46(2):105-14. doi:10.1177/08968608251364097.
  19. Davison SN, et al. Executive summary of the KDIGO Controversies Conference on Supportive Care in Chronic Kidney Disease: developing a roadmap to improving quality care. Kidney Int. 2015;88:447-59. doi:10.1038/ki.2015.110.
  20. Milders J, et al. Living with chronic kidney disease: future perspectives and prognostic needs of patients—a qualitative study. BMC Nephrol. 2025;26:301. doi:10.1186/s12882-025-04243-8.
  21. Milders J, et al. Dealing with an uncertain future: a survey study on what patients with chronic kidney disease actually want to know. Clin Kidney J. 2024;17(8):1-8. doi:10.1093/ckj/sfae225.
  22. Saeed F, et al. Patients’ perspectives on dialysis decision-making and end-of-life care. Clin Nephrol. 2019;91(5):294-300. doi:10.5414/CN109608.
  23. Liu A, et al. Prognostic preferences of older adults on maintenance hemodialysis and their care partners: a qualitative study. Clin J Am Soc Nephrol. 2025;20(10):1387-95. doi:10.2215/CJN.0000000782.
  24. Dusseux E, et al. A simple clinical tool to inform the decision-making process to refer elderly incident dialysis patients for kidney transplant evaluation. Kidney Int. 2015;88(1):121-9. doi:10.1038/ki.2015.25.
  25. Tamura MK, Tan JC, O’Hare AM. Optimizing renal replacement therapy in older adults: a framework for making individualized decisions. Kidney Int. 2012;82:261-9. doi:10.1038/ki.2011.384.
  26. Couchoud CG, et al. Development of a risk stratification algorithm to improve patient-centered care and decision making for incident elderly patients with end-stage renal disease. Kidney Int. 2015;88(5):1178-86. doi:10.1038/ki.2015.245.
  27. Chandna SM, et al. Survival of elderly patients with stage 5 CKD: comparison of conservative management and renal replacement therapy. Nephrol Dial Transplant. 2011;26(5):1608-14. doi:10.1093/ndt/gfq630.
  28. Murtagh FEM, et al. Dialysis or not? A comparative survival study of patients older than 75 years with stage 5 chronic kidney disease. Nephrol Dial Transplant. 2007;22(7):1955-62. doi:10.1093/ndt/gfm153.
  29. Wachterman MW, et al. One-year mortality after dialysis initiation among older adults. JAMA Intern Med. 2019;179(7):985-7. doi:10.1001/jamainternmed.2018.8690.
  30. Montez-Rath ME, et al. Hospitalizations and nursing facility stays during the transition from CKD to ESRD on dialysis: an observational study. J Gen Intern Med. 2017;32(11):1220-7. doi:10.1007/s11606-017-4151-6.
  31. Kolbrink B, et al. Patient-focused outcomes after initiation of dialysis for ESRD: mortality, hospitalization, and functional impairment. Nephrol Dial Transplant. 2023;38(11):2528-36. doi:10.1093/ndt/gfad099.
  32. Dalrymple LS, et al. Infection-related hospitalizations in older patients with ESRD. Am J Kidney Dis. 2010;56(3):522-30. doi:10.1053/j.ajkd.2010.04.016.
  33. Pereira M, et al. Dependency and frailty in the older haemodialysis patient. BMC Geriatr. 2024;24:416. doi:10.1186/s12877-024-04973-8.
  34. Kurella Tamura M, et al. Functional status of elderly adults before and after initiation of dialysis. N Engl J Med. 2009;361(16):1539-47. doi:10.1056/NEJMoa0904655.
  35. Morris JN, Pries B, Morris S. Scaling activities of daily living within the Minimum Data Set. J Gerontol A Biol Sci Med Sci. 1999;54(11):M546-53. doi:10.1093/gerona/54.11.M546.
  36. Jassal SV, Chiu E, Hladunewich M. Loss of independence in patients starting dialysis at 80 years of age or older. N Engl J Med. 2009;361(16):1612-3. doi:10.1056/NEJMc0905289.
  37. Goto NA, et al. Association of initiation of maintenance dialysis with functional status and caregiver burden. Clin J Am Soc Nephrol. 2019;14(7):1039-47. doi:10.2215/CJN.13131118.
  38. Jassal SV, et al. Functional dependence and mortality in the international Dialysis Outcomes and Practice Patterns Study. Am J Kidney Dis. 2016;67(2):283-92. doi:10.1053/j.ajkd.2015.09.024.
  39. Thamer M, et al. Predicting early death among elderly dialysis patients: development and validation of a risk score to assist shared decision making for dialysis initiation. Am J Kidney Dis. 2015;66(6):1024-32. doi:10.1053/j.ajkd.2015.05.014.
  40. Hemmelgarn BR, Manns BJ, Quan H, Ghali WA. Adapting the Charlson Comorbidity Index for use in patients with ESRD. Am J Kidney Dis. 2003;42(1 Suppl 2):125-32. doi:10.1016/S0272-6386(03)00415-3.
  41. Lin YT, et al. High cost and low survival rate in high-comorbidity incident elderly hemodialysis patients. PLoS One. 2013;8(9):e75318. doi:10.1371/journal.pone.0075318.
  42. Flores-Mendoza AP, et al. Charlson Comorbidity Index and all-cause mortality in patients with delayed hemodialysis initiation: a prospective cohort study. BMC Nephrol. 2025;26:376. doi:10.1186/s12882-025-04197-x.
  43. Noh J, et al. Predicting early mortality in hemodialysis patients: a deep learning approach using a nationwide prospective cohort in South Korea. Sci Rep. 2024;14:29658. doi:10.1038/s41598-024-80900-6.
  44. Santos J, et al. Predicting 6-month mortality in incident elderly dialysis patients: a simple prognostic score. Kidney Blood Press Res. 2020;45(1):38-50. doi:10.1159/000504136.
  45. Ivory SE, et al. Predicting 6-month mortality risk of patients commencing dialysis treatment for end-stage kidney disease. Nephrol Dial Transplant. 2017;32(9):1558-65. doi:10.1093/ndt/gfw383.
  46. Gimena Muñoz R, et al. Assessment of frailty in patients with advanced chronic kidney disease and the role of microvesicles: a single-center study. PLoS One. 2025;20(9):e0332653. doi:10.1371/journal.pone.0332653.
  47. Zou S, et al. Frailty, genetic predisposition, and incident chronic kidney disease. Sci Rep. 2025;15(1):14625. doi:10.1038/s41598-025-97280-0.
  48. Puri A, et al. Frailty assessment tools in chronic kidney disease: a systematic review and meta-analysis. Kidney Med. 2025;7(3):100960. doi:10.1016/j.xkme.2024.100960.
  49. Kennard AL, Glasgow NJ, Rainsford SE, Talaulikar GS. Clinical implications and assessment of frailty in patients with advanced CKD: a narrative review. Kidney Int Rep. 2024;9:791-806. doi:10.1016/j.ekir.2023.12.022.
  50. Oki R, et al. Clinical frailty assessment might be associated with mortality in incident dialysis patients. Sci Rep. 2022;12(1):17651. doi:10.1038/s41598-022-22483-8.
  51. Nair D, et al. Frailty in kidney disease: a comprehensive review to advance its clinical and research applications. Am J Kidney Dis. 2025;85(1):89-103. doi:10.1053/j.ajkd.2024.04.018.
  52. Cohen LM, Ruthazer R, Moss AH, Germain MJ. Predicting six-month mortality for patients receiving maintenance hemodialysis. Clin J Am Soc Nephrol. 2010;5(1):72-9. doi:10.2215/CJN.03860609.
  53. Javier AD, et al. Reliability and utility of the Surprise Question in CKD stages 4-5. Am J Kidney Dis. 2017;70(1):93-101. doi:10.1053/j.ajkd.2016.11.025.
  54. Wick JP, et al. A clinical risk prediction tool for 6-month mortality after dialysis initiation among older adults. Am J Kidney Dis. 2017;69(5):568-75. doi:10.1053/j.ajkd.2016.08.035.
  55. Sun J, Su H, Lou Y, Wang M. Association between serum albumin level and all-cause mortality in patients with chronic kidney disease: a retrospective cohort study. Am J Med Sci. 2021;361(4):451-60. doi:10.1016/j.amjms.2020.07.020.
  56. Karaboyas A, et al. Low hemoglobin at hemodialysis initiation: an international study of anemia management and mortality in the early dialysis period. Clin Kidney J. 2020;13(3):425-33. doi:10.1093/ckj/sfz065.
  57. Garcia-Montemayor V, et al. Predicting mortality in hemodialysis patients using machine learning analysis. Clin Kidney J. 2021;14(5):1388-95. doi:10.1093/ckj/sfaa126.
  58. Yang J, et al. Machine learning algorithms for the prediction of adverse prognosis in patients undergoing peritoneal dialysis. BMC Med Inform Decis Mak. 2024;24:8. doi:10.1186/s12911-023-02412-z.
  59. Sheng K, et al. Prognostic machine learning models for first-year mortality in incident hemodialysis patients: development and validation study. JMIR Med Inform. 2020;8(10):e20578. doi:10.2196/20578.
  60. Koh BTG, et al. Predicting mortality in elderly chronic kidney disease patients using algorithmic risk assessment: a Southeast Asian perspective. BMC Nephrol. 2025;26:489. doi:10.1186/s12882-025-04389-5.
  61. Forzley B, et al. A survey of Canadian nephrologists assessing prognostication in end-stage renal disease. Can J Kidney Health Dis. 2017;4:1-9. doi:10.1177/2054358117725294.
  62. Bergeron J, et al. Nephrology providers’ perspectives and use of mortality prognostic tools in dialysis patients. BMC Nephrol. 2024;25:425. doi:10.1186/s12882-024-03861-y.
  63. Milders J, et al. Prognostic models in nephrology: where do we stand and where do we go from here? Mapping the evidence in a scoping review. J Am Soc Nephrol. 2024;35(3):367. doi:10.1681/ASN.0000000000000285.
  64. Siriwardana A, et al. Utilizing risk prediction models for older patients with chronic kidney disease. Kidney Int. 2026;109(3):474-83. doi:10.1016/j.kint.2025.11.021.
  65. Anderson RT, et al. Prediction of risk of death for patients starting dialysis: a systematic review and meta-analysis. Clin J Am Soc Nephrol. 2019;14(8):1213-27. doi:10.2215/CJN.00050119.
  66. Thorsteinsdottir B, et al. Validation of prognostic indices for short-term mortality in an incident dialysis population of adults older than 75 years. PLoS One. 2021;16(1):e0244081. doi:10.1371/journal.pone.0244081.
  67. Grubbs V. Time to recast our approach for older patients with ESRD: the best, the worst, and the most likely. Am J Kidney Dis. 2018;71(5):605-7. doi:10.1053/j.ajkd.2018.02.002.

重印与许可

标签

联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。