近期，北京大学第一医院肾内科联合北京大学智能计算与感知实验室团队于国际权威期刊《Nature Communications》在线刊发重磅研究。该研究搭建出全球首个针对住院患者急性肾损伤，集风险预测与风险归因于一体的大语言模型，为AKI早期预警带来全新解决方案。本文梳理提炼研究核心要点，供各位同道参考阅读。
团队开展了一项多中心回顾性队列研究，以Qwen2.5-7B大语言模型为基础，依托包含42.6亿token的肾脏专科专属语料库完成领域二次预训练与参数微调，自主构建双模块大语言模型框架。其中，急性肾损伤预测模型（AKI-PM）用于动态预测患者未来24小时内的AKI发病风险，急性肾损伤风险归因模型（AKI-RAM）用于实现发病风险的可解释性归因分析。研究共纳入国内4家不同地域、不同层级医院的140637例住院病例开展模型验证（图1）。
研究结果显示，AKI-PM具备优异的预测性能，内部验证结果提示模型曲线下面积为0.95，阳性预测值为0.68；经少样本学习优化后，模型在外部验证中心仍可保持稳定、可靠的泛化能力，外部验证曲线下面积为0.92~0.96，阳性预测值为0.69~0.74。
相较于传统预测模型，本研究构建的AKI-RAM具备显著临床优势。该模型可有效区分AKI发病的可干预因素与不可干预因素，输出结构化、可落地的临床风险解读结果，并针对不同患者提供个体化、精准化的临床干预建议。本研究邀请6名肾内科专科医师，对4家独立医院随机抽取的共200例临床病例开展多维度临床效能评估，结果显示，AKI-RAM在8项临床评价维度中均取得优异评分，
图2 AKI‑PM 与其他大语言模型的预测性能对比
本研究进一步开展跨中心泛化能力验证，选取国内3家医院共75 813例患者作为外部验证队列。结果显示，该模型在零样本场景下即具备良好的跨院泛化性能；仅采用1000例院内样本开展少样本LoRA轻量化微调后，模型的整体预测效能得到进一步显著提升。该轻量化优化方案适配各级医疗机构的临床部署需求，为不同层级医院落地应用急性肾损伤风险预测与归因大模型，提供了高效、可行、可推广的技术方案。
本研究构建的一体化AI模型框架，同时兼顾了精准预测能力与临床可解释性，有效弥补了传统人工智能临床预测模型精度不足、结果晦涩、难以落地的核心短板。该模型适配各级医院、不同临床诊疗场景，可为急性肾损伤的早期预警、风险研判与个体化干预提供高效、可行且可推广的智能化解决方案，也为肾脏疾病精准诊疗的AI临床落地提供了全新思路与实践参考。
参考文献：
Xu L, Yan K, Zhang Z, et al. Large language model driven multicenter prediction and explainable risk attribution of acute kidney injury. Nat Commun. 2026 Jul 27;17(1):8497. doi: 10.1038/s41467-026-76029-x.
医脉通是专业的在线医生平台，“感知世界医学
我要投稿
