ICCN 2024速递：利用大数据指导急性肾损伤管理
文摘
健康
2025-01-01 10:52
北京
急性肾损伤（acute kidney injury，AKI）是住院患者中常见且具有高死亡风险的危重症，其病因繁多，机制复杂，具有发病率高、死亡率高、危害巨大的特征，但AKI是一个可预防、可治疗的临床综合征，通过整合临床大数据指导AKI预防、诊治及预后监测将有可能提高AKI治疗、护理效果，改善患者预后。2024年12月13~15日，第五届全球华人肾脏病学术大会暨香港肾科学会周年学术会议（ICCN 2024）在中国香港盛大召开，期间来自四川省人民医院肾内科的李贵森教授对利用大数据指导AKI管理进行了讲述，本文对此次内容进行总结，以飨读者。电子科技大学附属四川省人民医院肾脏内科主任
主任医师，教授，二级专家，博士生（后）导师
中华肾脏病学会常委，中国肾脏病医师分会常委
中国肾脏康复专业委员会副主任委员
四川省肾脏病专委会前任和候任主任委员
第十三届中国医师奖获得者，全国卫生计生系统先进工作者，天府万人（天府名医），省学术技术带头人
Kidney Disease和Renal Failure副主编, BMC Nephrology、中华医学杂志等多种杂志编委
主持主研包括国家自然基金等各级基金20余项；发表SCI论文100余篇
当处理AKI的多种场景和变化时，人工智能将面临重大挑战，见图1。为了应对复杂疾病及其进展的场景，大数据和人工智能的结合可以显著提高精准医学的实施效果。大数据可以有多种来源，包括各种组学（基因组学、微生物组学），临床诊断和治疗（医疗记录、身体和免疫状况、人口统计数据、活检样本、超声），以及患者自己产生的数据（传感器数据如身体功能、活动恢复、患者报告的症状和结局），将这些数据进行分类、强化学习，可以指导AKI、CKD及其亚型的鉴别、最佳治疗方案的制定、恢复和监测[1]。2022年Vagliano I等发现，在过去十年中，应用机器学习预测AKI的研究数量稳步增长，灵活的机器学习模型（Machine learning models，ML模型）在AKI预测中很受欢迎，但基于深度学习的更复杂的模型正在不断涌现[2]。
![]()
![]()
基于大数据的人工智能可以预测住院患者的急性肾损伤：Koyner JL等的研究将人口统计学、生命体征、诊断和干预措施用于梯度增强机算法预测住院患者中的急性肾损伤2期的发生，其中60%的数据用于推导，40%用于验证，共纳入了121 158例患者，其中17 482例（14.4%）发展为AKI，其中4251例（3.5%）发展为AKI 2期。预测24小时内AKI 2期的AUC （95% CI）为0.90（0.90~0.90），48小时内的AUC为0.87（0.87~0.87）[3]。人工智能可以连续预测未来48至72小时内发生的AKI：一项研究纳入了来自美国退伍军人医院的数据，基于电子健康记录的纵向队列数据（包含172个住院中心和1062个门诊部，共计703 782例成人患者约60亿条记录），涵盖各种临床设置，80%培训，5%验证，5%校准，10%测试，采用一种深度学习模型，用于预测未来AKI的持续风险，结果发现该模型可以预测55.8%的住院AKI的发生，同时可以预测90.2%的需要透析的AKI的发生[4]。但该模型针对的人群老年男性多，可能不适合在普通医院使用。李贵森教授团队一项研究开发了一种新的多变量时间序列预测模型，用于预测普通住院患者的AKI。该模型可提供动态预测，研究纳入了47 960例住院患者，其中2694例（5.6%）患有AKI，纳入变量包括人口统计学变量、入院变量、实验室调查变量和处方变量，采用融合时间序列卷积模块和注意力卷积模块的递归神经网络（RNN）构建模型，并采用五重交叉验证进行内部验证，结果显示模型AUC为0.908，召回率为0.869，优于其他机器学习方法生成的模型和大多数已发表的机器学习模型[5]。Wilson等进行了一项单盲随机对照试验，用于确定AKI的自动电子警报是否会降低此类损伤的严重程度，该研究纳入了18岁及以上住院的1期或以上AKI患者，超过23 664例患者接受了筛查，其中1201例患者分配到AKI警报组，1192例分配到常规护理组，主要终点是随机分组后7天肌酐、透析和死亡的相对最大变化的综合结果。结果显示虽然电子警报组有更多的肾脏咨询，但警报组和常规护理组之间的综合结果没有差异，因此，仅使用AKI电子警报系统并不能改善住院患者的临床结果，需要肾病专家的额外建议来协助临床医生改善AKI的预后[6]。Koyner JL等的研究显示机器学习模型可以准确预测患者在24、48和72小时内需要透析的风险[7]。Vagliano I等的研究显示尽管建立了许多AKI预测模型，但这些模型表现出几个显著的局限性：缺乏外部验证，可解释性差，偏倚风险高，缺乏在综合医院的应用[2]。四川省人民医院肾内科冯韵霖教授等进行了一项系统综述，评估了不同临床环境下预测AKI的各种已发表模型，在审查了7000多篇文章后，150篇被纳入系统评价，总合并C统计量为0.80，不同临床亚群的合并C统计量为0.78~0.82，研究间的异质性高，且84.4%的模型存在高偏倚风险。合并C统计的亚组分析和sROC分析没有发现研究之间观察到的异质性的任何离散来源[8]。为了识别AKI在不同阶段的特征，医师需要确定高危人群的特征、AKI患者的特征以及AKI透析患者的特征，这些信息能够帮助医师对AKI的管理做出决策。侯凡凡教授倡导并指导国内肾脏病专家建立了中国肾脏数据系统（CRDS），该数据库现在包含了全国40多家医院十多年的门诊和住院数据。李贵森教授团队基于覆盖中国的全国性多中心合作网络开发了一个深度学习模型（包括中国肾脏疾病数据系统[CRDS]中的7 084 339例住院患者）来动态预测住院期间发生AKI的患者的院内死亡风险（主要结局）和透析风险（次要结局），共有137 084例符合条件的AKI患者构成分析集。推导、内部验证和外部验证队列构建的流程图见图2。为了训练和验证模型的性能，李贵森教授团队将患者按7:2:1的比例分为衍生、内部验证和外部验证队列。外部验证队列是使用来自医院的数据创建的，约占所有AKI患者的10%。团队提取了成人患者的数据，包括门诊就诊、入院、诊断、外科手术、生命体征、住院ICU、机械通气、实验室结果、药物和处方、医嘱、透析和院内死亡，开发了深度学习模型以预测24、48、72小时和7天内的结局，结果显示该模型具有良好的性能，在衍生队列中，预测24 h、28 h、72 h和7d死亡率的AUROC分别为95.05%、94.23%、93.53%和93.09%，内部验证组和外部验证组的AUROC均大于90%，见图3。透析预测模型的各项评价指标也表现出了良好的性能，见图4。研究进一步对年龄、性别、高血压、糖尿病、AKI分期、基线SCr、ICU住院时间和大手术进行了亚组分析，结果显示该模型能有效预测亚组队列患者的死亡和透析风险[9]。![]()
![]()
![]()
AKI是常见且具有高死亡风险的危重症，但在临床中存在严重漏诊和治疗不充分的问题，只有提高了早期风险评估和识别的能力，并给予恰当的处理措施，才能更好地预防AKI的发生。为了应对复杂疾病及其进展的场景，大数据和人工智能的结合可以显著提高精准医学的实施效果。基于大数据的AKI人工智能管理包括AKI早期电子警报、识别和诊断AKI以及AKI预后预测。基于大数据的人工智能可以预测住院患者的急性肾损伤，也可以连续预测未来48至72小时内发生的AKI，但仅使用AKI电子警报系统并不能改善住院患者的临床结果，需要肾病专家的额外建议来协助临床医生改善AKI的预后，目前已有的一些模型表现出几个显著的局限性：缺乏外部验证、可解释性差、偏倚风险高及缺乏在综合医院的应用。李贵森教授团队基于覆盖中国的全国性多中心合作网络开发了一个深度学习模型，结果显示该模型具有良好的性能，能够有效预测患者的死亡和透析风险。
1.Rashidi P, Bihorac A. Nat Rev Nephrol. 2020;16(2):71-72.2.Vagliano I, et al. Clin Kidney J. 2022;15(12):2266-2280.3.Koyner JL, et al. Crit Care Med 2018,46(7): 1070-1077.4.Toma?ev N, et al. Nature. 2019; 572(7767):116-119.5.Xu J, et al. Int J Med Inform 2022; 161: 104729.6.Wilson FP, et al. Lancet. 2015; 385(9981):1966-74.7.Koyner JL, et al. Crit Care Med 2018,46(7): 1070-1077.8.Feng Y, et al. JAMA Netw Open. 2023; 6(5):e2313359.9.Wu C, Zhang Y, Nie S, et al. Nat Commun. 2023;14(1):3739.“肾医线”读者专属微信群建好了，快快加入吧。扫描“肾医线”小助手二维码（微信号：nephro-online），回复“肾医线读者”，ta会尽快拉您入群滴！
声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。版权属《肾医线》所有。欢迎个人转发分享。其他任何媒体、网站未经授权，禁止转载。
