近日，北京大学智能计算与感知实验室与北京大学第一医院肾内科合作研究成果“Large language model driven multicenter prediction and explainable risk attribution of acute kidney injury” 在国际学术期刊 Nature Communications发表。北京大学第一医院徐菱忆博士与实验室颜鲲特聘副研究员为共同第一作者，北京大学第一医院杨莉教授、郑茜子副教授以及实验室王平教授为共同通讯作者。

急性肾损伤（Acute Kidney Injury，AKI）是住院患者中常见且危重的临床综合征，全球每年约影响1330万患者并导致约170万人死亡。由于目前缺乏特异性治疗手段，提前识别高风险患者并进行及时干预，是降低AKI发生率和改善患者预后的关键。现有AKI智能预测模型虽然已经取得较高的区分能力，但在临床应用中仍面临两个重要问题：一方面，传统机器学习模型的阳性预测值普遍较低，假阳性率可高达70%–94%，容易产生大量无效预警；另一方面，大多数模型只能给出风险概率或特征重要性，难以进一步解释患者“为什么会发生AKI”，更难以针对具体风险因素给出可执行的临床干预建议。

针对上述问题，该研究基于大规模多中心电子健康记录数据，构建了由两个医学大语言模型组成的AKI智能预测与风险归因框架，包括用于预测患者未来24小时内AKI发生风险的 AKI-PM（Acute Kidney Injury Prediction Model），以及用于解释AKI风险并生成临床建议的 AKI-RAM（Acute Kidney Injury Risk Attribution Model）。研究共纳入来自4家不同地域、不同层级医院的140,637例住院记录，并构建了包含临床指南、肾脏疾病相关医学文献、公开临床数据库以及真实电子病历的肾脏专科语料库 AKICorpus，规模达到 42.6亿tokens。在此基础上，AKI-PM通过领域继续预训练和动态时序电子病历微调，使大语言模型能够理解患者住院过程中不断变化的临床状态，并实时预测未来24小时的AKI风险。

在风险解释方面，论文进一步提出AKI-RAM，通过层次化提示机制，将模型的风险分析划分为不可干预风险因素、可干预风险因素以及针对性的临床建议三个层次。模型首先从患者复杂的纵向电子病历中识别与AKI相关的风险因素，再重点分析其中可以通过临床措施进行干预的因素，并据此生成个体化建议。为使模型的推理方式进一步与肾内科专家的临床判断保持一致，研究构建了由专家审核的偏好数据，并通过监督微调与偏好对齐进一步提升模型输出的临床合理性、可信度和安全性，从而将传统的“风险预测”进一步延伸至“风险解释—干预建议”的完整临床决策链路。

经内部验证和多中心外部验证，AKI-PM提前24小时预测AUC达0.92-0.96，阳性预测值（PPV）达0.68-0.74，误报率显著降低至26%-32%，整体表现优于6个通用及医疗大模型，推理平均延迟仅0.23秒，满足院内实时预警需求。针对AKI-RAM，研究从4家中心各随机抽取50例患者（共200例），由6名5年以上临床经验的肾脏科医师从病例理解、指南一致性、临床推理、风险因素相关性、建议可接受性等八个维度进行评分，模型在全部维度均获高分（4.18-4.88分，满分5分），评估者间一致性良好（ICC：0.680-0.803），验证了模型输出内容的可靠性和临床实用性。在跨医院泛化能力方面，模型在国内的3家医院（75,813例患者）中进行了外部验证，在零样本（zero-shot）泛化下已具备良好泛化能力，仅使用1000例院内样本进行少样本LoRA微调后，模型效能均得到明显提升，为不同层级医院部署AKI风险预测及归因大模型提供了轻量化、可行的解决方案。

Nature Communications是Nature Portfolio旗下的国际综合性开放获取学术期刊，发表自然科学、医学、工程与交叉学科领域具有重要学术价值的研究成果，影响因子18.1，在国际学术界具有广泛影响力。该论文发表于 Nature Communications 2026年第17卷，文章号8497。