人工智能在肾脏病学领域的应用
发布日期:2019-08-09 13:32:57 来源:中华医学信息导报 作者:四川省人民医院肾脏内科暨肾脏病研究所 四川省肾脏疾病临床研究中心 冯韵霖 李贵森 浏览次数:

李贵森


人工智能(AI)发展至今已有60余年历史。受计算机软硬件技术飞速发展、网络信息化建设普及以及数据化信息采集系统全面应用的推动,AI从最初的法则学派逐渐进展到目前以逻辑推理、数据驱动和强化学习为三大主流方法的机器学习范式。其中,以数据驱动为核心的机器学习在医学领域应用尤其重要,被广泛应用于基础医学、转化医学、临床医学研究与决策。 

与众多其他医学专业学科一样,肾脏病学领域临床实践和研究也能借助AI实现改善诊断、预测疾病风险和协助疾病综合管理等目的。 此外,AI在肾脏病学基础研究领域也有所应用。


疾病的辅助诊疗

图像识别技术是AI辅助诊断肾脏疾病的基础之一。人们开发了多种识别肾活检切片上不同感兴趣区的算法模型,已能识别肾单元、 肾小球等。初步研究表明,图像识别技术能区分糖尿病肾脏和非糖尿病肾脏的肾小球。这些工作为进一 步实现自动化阅片奠定了基础。在影像学方面,AI模型不仅可用于诊断肾脏肿瘤和前列腺癌,还可用于 正常肾脏和患病肾脏的自动分段定量分析。 此外,AI处理复杂数据的强大能力可用于建立临床预测模型, 例如根据临床指标预测肾脏病理类型、肾小球滤过率(eGFR)等, 均具有较高准确性。肾结石的AI预测模型准确性甚至高达97.1%。

 

疾病的早期发现

早发现、早治疗对改善隐匿性肾脏疾病的预后有重要意 义,AI有助于利用现有临床指标早期诊断慢性肾脏病。2013 年,法国研究者利用Bayesian网络算法建立了IgA肾病诊断模 型,该模型的敏感性和特异性 可分别达到100%和73%。2014 年,Huopaniemi等人发表了基 于eGFR预测值的慢性肾脏病 (CKD)预测模型,其预测结果 与真实eGFR改变差异在1~2 ml/ (min·1.73m2)范围内。该模型随后经进一步改进后可提前1.5年 预测eGFR下降。2016年,我国 研究者建立了CKD非线性支撑向 量机模型,经改进后诊断准确性 高达98.5%。

 

疾病风险和预后的预测

风险预测也是AI在肾脏病领域的研究热点,主要集中在预测急性肾损伤(AKI)和CKD进展 两方面。 

AKI是临床常见且严重的病症,改善全球肾脏病预后组织发布的AKI指南将AKI定义为满足以 下任意一条:48 h内血肌酐增高 ≥0.3 mg/dl(≥26.5 μmol/L); 血肌酐增高至基础值的1.5倍及以 上,且明确或经推断其发生在之前7d内;持续6 h尿量<0.5 ml/ (kg·h)。近几年,住院患者尤其是危重症患者常见的并发症发病 率在全球呈上升趋势。 

AKI患者预后差,死亡和终末期肾病(ESRD)风险高,住院花费高。我们对765项研究进行荟萃分析,共纳入77 393 454例住院患者。结果发现,AKI发生率为21.0%,透析率为2.0%(占AKI的 11%);病死率为21.0%,AKI 3期病死率达42.0%,肾移植治疗患者高达46%。AKI的病因和发病机制复杂,众多因素影响其进程。

 鉴于AKI的严重威胁,国际肾脏病学会于2013年发表了“0 by 25”人权案例声明,到2025年,低资源地区不应该有患者因未经处理的AKI而死亡。该声明希望通过呼吁全球战略,力争到2025年全部 AKI患者均能得到合理的诊断和治疗,特别强调需关注低收入国家和中等收入国家的患者。但我们的调查显示,住院患者中仍然有高达3/4的AKI患者没有得到诊断,缺乏合理的处理和监测,这必然会影响患者预后。如何早期发现及科学管理AKI,仍然是临床的难题。 

针对上述情况,目前已发表了多款AKI的AI预测模型,包括预测外科大手术或心脏介入手术后AKI风险、老年人群中AKI风险、 烧伤后AKI风险等,具有较高的准确性和区分度。基于电子病历数据库的AKI预测模型也能实现较高准确性。值得指出的是,研究发现AI 模型的预测准确性会随时间推移下 降,这提示我们有必要对系统进行定期更新校准。

 在预测慢性肾脏病进展方面,目前研究以IgA肾病和一般性肾功能减退为多。2015年,Diciolla 等人建立了预测IgA肾病患者最终达到ESRD的可能性以及未来5年内达到ESRD可能性的模型,其研究成果已被开发成基于网络的临床诊疗智能决策支持系统(www.IgAN. net)供全球使用。中国学者对该模型进行了进一步改进,将准确性提 高至97.3%。2019年,我国刘志红院 士及其团队发表了中国人IgA肾病 患者的肾功能进展预测模型,在全家中心1025例患者的外部验证队列中的预测准确性达到84.0%。 除此之外,AI模型还可用于预测治疗结局。例如,预测超声波体外碎石后无结石状态、肾移植后肾功能延迟恢复等。但这些模型的临床预测价值仍需进一步验证。

 

综合治疗的管理

AI在CKD治疗中的应用主要集中在ESRD患者贫血管理方面。2007年,Gaweda等人首次开发出用于预测慢性血液透析患者维持达标范围内血红蛋白需要的促红素剂量模型。对该模型的随机对照临床试验证实,该模型相比传统管理方案能显著提高透析患者的血红蛋白达标率。其他类似预测模型也获得了良好结果。未来,这种基于AI模型的贫 血管理方案可能对实现ESRD患者贫血的个体化管理和治疗具有较大帮助。 

此外,还有研究利用AI模型预测肾移植患者他克莫司的稳定剂量和生物利用度,利用人口统计学和临床指标预测他克莫司血药浓度,联合临床和基因多态性 研究他克莫司生物可利用度的影响因素,最终达到辅助临床管理的目的。

 

其他方面

AI在肾脏病学领域的应用还体现在对药物性肾损伤的研究上, 包括预测药物性肾毒性、探索药物性肾损伤部位和机制以及开发治疗靶点等,都取得了一定成果。 

此外,AI模型还可用于肾脏病相关的流行病学研究。例如, 2016年Vemulapalli等人利用Bayesian 算法对美国医疗保险和医疗补助中 心数据进行常见疾病危险因素筛查,意外发现CKD与支气管哮喘呈显著相关性。该研究结果不仅印证了此前支气管哮喘患者CKD发生率高的流行病学调查结果,也提示我们AI模型在寻找疾病潜在危险因素方面的应用价值。

 

小结与展望

我们应当认识到,AI应用受到训练数据质量和数量限制。若训练数据质量欠佳或不具有代表性,所得出模型的应用价值将极为有限。 数据的各种偏倚和噪音,不仅给数据处理造成困难,还会导致模型难以推广应用。随着今后算法的优化和数据梳理方案的改进,这些问题有望得到进一步解决。 

此外,AI应用势必伴随一系列伦理和法律法规问题。如何将AI应用整合至临床工作流程中来,目前也缺乏有效合理的规范与规定。这些都是我们在大规模应用AI之前需要考虑和解决的问题。

(摘自《中华医学信息导报》2019年第34卷第14期)



Produced By 大汉网络 大汉版通发布系统