Artificial intelligence integrating laboratory data for predicting chronic kidney disease progression

doi:10.3877/cma.j.issn.2095-5820.2026.03.003

Abstract

Abstract:

Objective

To explore the current landscape of artificial intelligence (AI) models built on clinical laboratory data for predicting chronic kidney disease (CKD)-related outcomes.

Methods

Following the PRISMA-ScR guidelines, a systematic search was conducted across PubMed, Web of Science, Scopus, China National Knowledge Infrastructure(CNKI), and Wanfang Databases to identify studies employing AI algorithms with clinical laboratory data to predict CKD outcomes.

Results

16 studies were ultimately included, spanning data from 6 countries, with sample sizes ranging from 308 to 4.8 million participants. Random forest and gradient boosting algorithms are the most widely adopted modeling algorithms. Beyond estimated glomerular filtration rate and serum creatinine, several auxiliary biomarkers demonstrated independent predictive value including urine albumin-to-creatinine ratio, serum albumin, hemoglobin, cystatin C, and glycosylated hemoglobin spanning the domains of renal function, metabolism, nutrition, and hematology. The best-performing models across included studies achieved area under curve values ranging from 0.689 to 0.993.

Conclusion

AI predictive models built on clinical laboratory data demonstrate promising performance across multiple CKD outcome categories, with the integration of multidimensional laboratory biomarkers offering a clear advantage over conventional single-marker assessment frameworks.

Key words: chronic kidney disease, clinical laboratory testing, artificial intelligence, scoping review

Tianrui Ren, Hongliu Yang, Binwu Ying. Artificial intelligence integrating laboratory data for predicting chronic kidney disease progression[J]. Chinese Journal of Clinical Laboratory Management(Electronic Edition), 2026, 14(03): 199-207.

/ / Recommend

Add to citation manager EndNote|Ris|BibTeX

URL: https://zhlcsysgldzzz.cma-cmc.com.cn/EN/10.3877/cma.j.issn.2095-5820.2026.03.003

https://zhlcsysgldzzz.cma-cmc.com.cn/EN/Y2026/V14/I03/199

Figures/Tables 5

References 31

1	GBD 2023 CHRONIC KIDNEY DISEASE COLLABORATORS. Global, regional, and national burden of chronic kidney disease in adults, 1990–2023, and its attributable risk factors: A systematic analysis for the Global Burden of Disease Study 2023[J]. The Lancet, 2025, 406(10518): 2461-2482.
2	沈逸枫, 朱晶, 杨静, 等. 2021慢性肾脏病流行病学合作研究CKD-EPI和欧洲肾脏功能联盟EKFC估算肾小球滤过率公式的临床应用评估[J]. 中华检验医学杂志, 2024, 47(8): 879-887.
3	KIDNEY DISEASE: IMPROVING GLOBAL OUTCOMES (KDIGO) CKD WORK GROUP. KDIGO 2024 clinical practice guideline for the evaluation and management of chronic kidney disease[J]. Kidney international, 2024, 105(4S): S117-S314.
4	LUNDBERG S M, LEE S I. A unified approach to interpreting model predictions[C/OL]. Conference on Neural Information Processing Systems (NIPS), Long Beach, CA, USA, 2017. [2026-05-13].
5	TRICCO A C, LILLIE E, ZARIN W, et al. PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation[J]. Annals of internal medicine, 2018, 169(7): 467-473.
6	ARKSEY H, O'MALLEY L. Scoping studies: Towards a methodological framework[J]. International journal of social research methodology, 2005, 8(1): 19-32.
7	LEVAC D, COLQUHOUN H, O'BRIEN K K. Scoping studies: Advancing the methodology[J]. Implementation science, 2010, 5(1): 69.
8	MCGOWAN J, SAMPSON M, SALZWEDEL D M, et al. PRESS peer review of electronic search strategies: 2015 guideline statement[J]. Journal of clinical epidemiology, 2016, 75: 40-46.
9	YUN D, HONG A, KIM K, et al. Machine learning survival analysis for predicting kidney disease progression in patients with acute kidney injury undergoing continuous kidney replacement therapy: An analysis of the LINKA database[J]. Journal of critical care, 2026, 92:155419.
10	YUN D, HAN S S, LEE J, et al. Study protocol for a consortium linking health medical records, biospecimens, and biosignals in korean patients with acute kidney injury (LINKA cohort)[J]. Kidney research and clinical practice, 2026, 45(2): 274-283.
11	YONG W, PENG D D, YE K, et al. Machine learning model based on routine blood and biochemical parameters for early diagnosis of diabetic kidney disease[J]. Frontiers in endocrinology, 2026, 17: 1720574.
12	YE B, ZHANG X, ZHU W, et al. Interpretable machine learning model based on routine metabolic laboratory indices to identify advanced chronic kidney disease[J]. Frontiers in endocrinology, 2026, 17: 1776419.
13	WANG J Z, ZHANG N, MA R R, et al. An interpretable machine-learning model for predicting in-hospital mortality in patients with sepsis-associated acute kidney injury[J]. Frontiers in medicine, 2026, 13: 1756831.
14	TANGRI N, FERGUSON T W, TENG C C, et al. Validation of the klinrisk machine learning model for CKD progression in a large representative US population[J]. Journal of the American Society of Nephrology, 2026, 37(2): 326-337.
15	SHU P, QIN D, XU F, et al. Development and internal validation of an interpretable machine learning model for predicting dialysis risk in patients with stage 3–4 chronic kidney disease[J]. Frontiers in public health, 2026, 14: 1782951.
16	NGUYEN T M N, KONDYLI M, MISCHAK H, et al. Association of urinary complement peptides with kidney function and progression of kidney disease[J]. International journal of molecular sciences, 2026, 27(4): 1982.
17	HE T, MISCHAK M, CLARK A L, et al. Urinary peptides in heart failure: A link to molecular pathophysiology[J]. European journal of heart failure, 2021, 23(11): 1875-1887.
18	TOFTE N, LINDHARDT M, ADAMOVA K, et al. Early detection of diabetic kidney disease by urinary proteomics and subsequent intervention with spironolactone to delay progression (PRIORITY): A prospective observational study and embedded randomised placebo-controlled trial[J]. The Lancet. Diabetes & endocrinology, 2020, 8(4): 301-312.
19	ZHANG Z, STAESSEN J A, THIJS L, et al. Left ventricular diastolic function in relation to the urinary proteome: A proof-of-concept study in a general population[J]. International journal of cardiology, 2014, 176(1): 158-165.
20	NAGASU H, NAKASHIMA T, IHARA K, et al. Prediction of estimated glomerular filtration rate slope and kidney prognosis of patients with chronic kidney disease[J]. Scientific reports, 2026, 16(1): 8883.
21	MA J, LIU R, FENG X, et al. Explainable machine learning integrating biochemical and metabolomic biomarkers with conventional clinical factors improves chronic kidney disease prediction and risk stratification[J]. BMC nephrology, 2026, 27(1): 137.
22	WU J, GAO Q, TIAN M, et al. Explainable machine learning prediction of 1-year kidney function progression among patients with type 2 diabetes mellitus and chronic kidney disease: A retrospective study[J]. Monthly journal of the Association of Physicians, 2025, 118(9): 647-656.
23	ZHU Y, BI D, SAUNDERS M, et al. Prediction of chronic kidney disease progression using recurrent neural network and electronic health records[J]. Scientific reports, 2023, 13(1): 22091.
24	ZOU Y, ZHAO L, ZHANG J, et al. Development and internal validation of machine learning algorithms for end-stage renal disease risk prediction model of people with type 2 diabetes mellitus and diabetic kidney disease[J]. Renal failure, 2022, 44(1): 562-570.
25	SU C T, CHANG Y P, KU Y T, et al. Machine learning models for the prediction of renal failure in chronic kidney disease: A retrospective cohort study[J]. Diagnostics (Basel, Switzerland), 2022, 12(10): 2454.
26	LEE K H, CHU Y C, TSAI M T, et al. Artificial intelligence for risk prediction of end-stage renal disease in sepsis survivors with chronic kidney disease[J]. Biomedicines, 2022, 10(3): 546.
27	INAGUMA D, HAYASHI H, YANAGIYA R, et al. Development of a machine learning-based prediction model for extremely rapid decline in estimated glomerular filtration rate in patients with chronic kidney disease: A retrospective cohort study using a large data set from a hospital in Japan[J]. BMJ open, 2022, 12(6): e058833.
28	王雅婷, 熊加川, 赵景宏. 基于血清Klotho蛋白的慢性肾脏病患者全因死亡预测机器学习模型的构建与验证[J]. 陆军军医大学学报, 2024, 46(8): 859-867.
29	HEERSPINK H J L, COLLIER W H, CHAUDHARI J, et al. A meta-analysis of albuminuria as a surrogate endpoint for kidney failure[J]. Nature medicine, 2026, 32(1): 281-287.
30	BAO L, ZHOU Q, LIN Y, et al. Cystatin C as a new biomarker in patients with chronic kidney disease a review and meta-analysis[J]. American journal of biochemistry and biotechnology, 2021, 17(1/3): 328-337.
31	XU J, HE Q, WANG M, et al. Handling time-varying treatments in observational studies: A scoping review and recommendations[J]. Journal of evidence-based medicine, 2024, 17(1): 95-105.

序号	作者	基本信息				检验数据特征		建模方法与结局预测			性能指标/验证值
序号	作者	年份/年	国家/地区	数据来源/验证方式	样本量/例	临床特征总数	最终纳入的检验指标	临床结局	时间窗	算法类型	性能指标/验证值
1	Yun等^[9]	2026	韩国	LINKA database^[10]/内部交叉验证	1444	122	24-h urine，hematocrit，ionized level，BUN，eGFR	AKI进展为ESRD	7天	CoxBoost（最佳），Elastic-Net Cox，Random survival forest，Cox proportional hazards models	C-index=0.811/0.742
2	Yong等^[11]	2026	中国	皖南医学院第二附属医院，NHANES数据库 /外部验证	训练集：3114；验证集：496。	55	HbA_1c，TyG，globulin	DM进展为DKD	无	L R（最佳），D T，R F，S V M，XGBoost，LGBM，DNN	AUC=0.689
3	Ye等^[12]	2026	中国	福建中医药大学附属第二医院/内部验证	训练集： 308；验证集： 52。	24	urea，apolipoprotein A1，albumin，HDL-C，uric acid，phosphorus，calcium，globulin，total protein，triglycerides，total cholesterol，LDL-C	进展为CKD G1-2；进展为CKD G3a-5	无	RF，Gradient Boosting（最佳），Extra Trees，LR，ANN	AUC=0.972/0.965
4	Wang等^[13]	2026	中国	宁夏医科大学总医院/内部验证	16 800	23	serum sodium，BUN	S-AKI进展为死亡	无	XGBoost（最佳），RF，LR，DT	AUC=0.879
5	Tangri等^[14]	2026	美国	美国商业保险队列/外部验证	4 800 000	7	serum creatinine，eGFR，尿常规	CKD进展（eGFR下降40%或肾脏损伤）	2年	Klinrisk模型	AUC=（0.830-0.870）/（0.800-0.810）
6	Shu等^[15]	2026	中国	武汉市中心医院/内部验证	400	64	urine microalbumin，eGFR，urea，UACR，lymphocytes，HCT，TBIL，DBIL，ALB，osteocalcin，PTH，total protein，MCV	CKD2-4期进展为血液透析发生	无	RF（最佳），XGBoost，ANN，Weighted Voting，Soft Voting，SVM，DT，KNN，Naive Bayes	AUC=0.993
7	Nguyen等^[16]	2026	德国	既往研究^[17,18,19]/3项独立前序队列	训练集：2774；验证集：1190	18	C3，CFB-derived peptides	eGFR下降40%，ESRD，死亡	2.91年	SVM，Cox model	AUC=0.801
8	Nagasu等^[20]	2026	日本	J-CKD-DB-Ex/内部验证	10 474	14	eGFR，serum creatinine，plasma albumin，serum sodium，serum potassium，urine protein qualitative，urine protein	eGFR斜率/3年变化轨迹	1年，2年，3年	LGBM（最佳），LSTM，LR	RMSE=2.950
9	Ma等^[21]	2026	英国	UK biobank/内部验证	233 589	20	cystatin C，HbA_1c，CRP，urea，eGFR，M-VLDL-CE，histidine，IGF-1	发生CKD或CKD相关死亡	根据随访时间	Cox proportional hazards model	C-index=0.800/0.866
10	Wu等^[22]	2025	中国	武汉第四医院/内部验证	12 151	47	eGFR，Hb，CK-MB	DM合并CKD进展为eGFR下降30%	1年	LR，XGBoost（最佳），RF，SVM，DT，Naïve Bayes，KNN，GLM with Elastic Net Regularization，Generalized Additive Model，Multivariate Adaptive Splines	AUC=0.906/0.768
11	Zhu等^[23]	2023	美国	芝加哥大学医学中心/内部验证	82 667	1	eGFR	CKD Ⅱ/Ⅲ期进展为CKD Ⅳ/Ⅴ	90天，365天	LSTM，RNN（最佳），RF，LGBM，Dynamic Cox proportional hazards model，Static Cox proportional hazards model	AUC=0.967/0.964
12	Zou等^[24]	2022	中国	四川大学华西医院/内部验证	390	34	cystatin C，sAlb，Hb，24-h urine，total protein，eGFR	进展为ESRD或接受透析	1年，3年，5年	RF（最佳），LR，SVM，GBM	AUC=0.900
13	Su等^[25]	2022	中国台湾	台湾全民健康保险管理局/外部验证	858	21	urine creatinine，serum creatinine	CKD2-5进展为ESRD	3年，5年	LR，RF（最佳），XGBoost，SVM，GNB	AUC=0.990
14	Lee等^[26]	2022	中国台湾	台北市老兵总医院大数据中心/内部验证	112 628	41	eGFR，albuminuria，UACR	脓毒血症进展为ESRD	中位随访时间3.5年	GBDT（最佳），LR，RF，XGBoost，LGBM	AUC=0.879
15	Inaguma等^[27]	2022	日本	富士塔卫生大学医院/内部验证	5657	21	Hb、Alb、CRP	eGFR下降≥30%	2年	LR，RF（最佳）	AUC=0.790
16	王雅婷等^[28]	2024	中国	陆军军医大学第二附属医院/内部验证	400	47	白蛋白、补体C3血清Klotho蛋白	CKD进展为全因死亡	2012-2019	单因素Cox回归、Lasso-Cox模型、多因素Cox回归分析	AUC=0.760，C-index=0.755

序号	作者	基本信息				检验数据特征		建模方法与结局预测			性能指标/验证值
序号	作者	年份/年	国家/地区	数据来源/验证方式	样本量/例	临床特征总数	最终纳入的检验指标	临床结局	时间窗	算法类型	性能指标/验证值
1	Yun等^[9]	2026	韩国	LINKA database^[10]/内部交叉验证	1444	122	24-h urine，hematocrit，ionized level，BUN，eGFR	AKI进展为ESRD	7天	CoxBoost（最佳），Elastic-Net Cox，Random survival forest，Cox proportional hazards models	C-index=0.811/0.742
2	Yong等^[11]	2026	中国	皖南医学院第二附属医院，NHANES数据库 /外部验证	训练集：3114；验证集：496。	55	HbA_1c，TyG，globulin	DM进展为DKD	无	L R（最佳），D T，R F，S V M，XGBoost，LGBM，DNN	AUC=0.689
3	Ye等^[12]	2026	中国	福建中医药大学附属第二医院/内部验证	训练集： 308；验证集： 52。	24	urea，apolipoprotein A1，albumin，HDL-C，uric acid，phosphorus，calcium，globulin，total protein，triglycerides，total cholesterol，LDL-C	进展为CKD G1-2；进展为CKD G3a-5	无	RF，Gradient Boosting（最佳），Extra Trees，LR，ANN	AUC=0.972/0.965
4	Wang等^[13]	2026	中国	宁夏医科大学总医院/内部验证	16 800	23	serum sodium，BUN	S-AKI进展为死亡	无	XGBoost（最佳），RF，LR，DT	AUC=0.879
5	Tangri等^[14]	2026	美国	美国商业保险队列/外部验证	4 800 000	7	serum creatinine，eGFR，尿常规	CKD进展（eGFR下降40%或肾脏损伤）	2年	Klinrisk模型	AUC=（0.830-0.870）/（0.800-0.810）
6	Shu等^[15]	2026	中国	武汉市中心医院/内部验证	400	64	urine microalbumin，eGFR，urea，UACR，lymphocytes，HCT，TBIL，DBIL，ALB，osteocalcin，PTH，total protein，MCV	CKD2-4期进展为血液透析发生	无	RF（最佳），XGBoost，ANN，Weighted Voting，Soft Voting，SVM，DT，KNN，Naive Bayes	AUC=0.993
7	Nguyen等^[16]	2026	德国	既往研究^[17,18,19]/3项独立前序队列	训练集：2774；验证集：1190	18	C3，CFB-derived peptides	eGFR下降40%，ESRD，死亡	2.91年	SVM，Cox model	AUC=0.801
8	Nagasu等^[20]	2026	日本	J-CKD-DB-Ex/内部验证	10 474	14	eGFR，serum creatinine，plasma albumin，serum sodium，serum potassium，urine protein qualitative，urine protein	eGFR斜率/3年变化轨迹	1年，2年，3年	LGBM（最佳），LSTM，LR	RMSE=2.950
9	Ma等^[21]	2026	英国	UK biobank/内部验证	233 589	20	cystatin C，HbA_1c，CRP，urea，eGFR，M-VLDL-CE，histidine，IGF-1	发生CKD或CKD相关死亡	根据随访时间	Cox proportional hazards model	C-index=0.800/0.866
10	Wu等^[22]	2025	中国	武汉第四医院/内部验证	12 151	47	eGFR，Hb，CK-MB	DM合并CKD进展为eGFR下降30%	1年	LR，XGBoost（最佳），RF，SVM，DT，Naïve Bayes，KNN，GLM with Elastic Net Regularization，Generalized Additive Model，Multivariate Adaptive Splines	AUC=0.906/0.768
11	Zhu等^[23]	2023	美国	芝加哥大学医学中心/内部验证	82 667	1	eGFR	CKD Ⅱ/Ⅲ期进展为CKD Ⅳ/Ⅴ	90天，365天	LSTM，RNN（最佳），RF，LGBM，Dynamic Cox proportional hazards model，Static Cox proportional hazards model	AUC=0.967/0.964
12	Zou等^[24]	2022	中国	四川大学华西医院/内部验证	390	34	cystatin C，sAlb，Hb，24-h urine，total protein，eGFR	进展为ESRD或接受透析	1年，3年，5年	RF（最佳），LR，SVM，GBM	AUC=0.900
13	Su等^[25]	2022	中国台湾	台湾全民健康保险管理局/外部验证	858	21	urine creatinine，serum creatinine	CKD2-5进展为ESRD	3年，5年	LR，RF（最佳），XGBoost，SVM，GNB	AUC=0.990
14	Lee等^[26]	2022	中国台湾	台北市老兵总医院大数据中心/内部验证	112 628	41	eGFR，albuminuria，UACR	脓毒血症进展为ESRD	中位随访时间3.5年	GBDT（最佳），LR，RF，XGBoost，LGBM	AUC=0.879
15	Inaguma等^[27]	2022	日本	富士塔卫生大学医院/内部验证	5657	21	Hb、Alb、CRP	eGFR下降≥30%	2年	LR，RF（最佳）	AUC=0.790
16	王雅婷等^[28]	2024	中国	陆军军医大学第二附属医院/内部验证	400	47	白蛋白、补体C3血清Klotho蛋白	CKD进展为全因死亡	2012-2019	单因素Cox回归、Lasso-Cox模型、多因素Cox回归分析	AUC=0.760，C-index=0.755

算法类别	算法名称	研究数/个	频率/%	最佳模型次数/次	代表性研究
传统ML	LR	9	56.25	1	Yong等^[11]
传统ML	SVM	6	37.50	0	—
集成学习	RF	10	62.50	4	Zou等^[24]、Su等^[25]
集成学习	XGBoost/LGBM/GBDT	10	62.50	5	Zhu等^[23]、Lee等^[26]
深度学习	ANN/DNN/RNN/LSTM	3	18.75	2	Zhu等^[23]（RNN）、Shu等^[15]（ANN）
生存分析	Cox比例风险模型	5	31.25	1	Ma等^[21]

算法类别	算法名称	研究数/个	频率/%	最佳模型次数/次	代表性研究
传统ML	LR	9	56.25	1	Yong等^[11]
传统ML	SVM	6	37.50	0	—
集成学习	RF	10	62.50	4	Zou等^[24]、Su等^[25]
集成学习	XGBoost/LGBM/GBDT	10	62.50	5	Zhu等^[23]、Lee等^[26]
深度学习	ANN/DNN/RNN/LSTM	3	18.75	2	Zhu等^[23]（RNN）、Shu等^[15]（ANN）
生存分析	Cox比例风险模型	5	31.25	1	Ma等^[21]

结局亚类	验证类型	研究数/个	样本量范围/例	AUC（IQR）
ESRD/RRT发生	内部验证	3	390~2768	0.820（0.760~0.900）
ESRD/RRT发生	外部验证	2	112 628~4 800 000	0.910（0.830~0.990）
eGFR显著下降	内部验证	8	308~233 589	0.884（0.779~0.950）
eGFR显著下降	外部验证	1	4 800 000	0.830（0.800~0.870）
CKD新发风险	内部验证	1	233 589	0.800（0.797~0.805）
CKD新发风险	外部验证	1	4 800 000	0.830（0.800~0.870）

Please choose a citation manager

Content to export