首页 > 论文范文 > 医药卫生论文 > 内科论文 > 肾内科论文 > 人工智能在血液透析监测和并发症预测中的研究进展

人工智能在血液透析监测和并发症预测中的研究进展

2024-04-15 460 上传者：管理员

摘要：终末期肾病的患病率逐年上升，血液透析是最常见的治疗方法。近年来，各种人工智能模型包括机器学习及深度学习模型在血液透析领域的研究日趋成熟，与普通线性模型相比，它们具有显著的优势和准确性，在运用血液透析患者数据来预测透析并发症、评估血管通路、管理液体容量和预测预后等方面进展迅速。在改进患者血液透析方案，提供个体化血液透析，防治并发症等方面具有很强的应用价值和广阔的前景。本综述总结了近年来人工智能模型在血液透析监测和并发症预测中的研究进展，希望为临床医生及护理工作者带来帮助，改善血液透析患者生存质量并延长生存期。

关键词：
人工智能
慢性肾脏病
机器学习
深度学习
血液透析
加入收藏

当今，终末期肾病(end-stage renal disease,ESRD)是常见的慢性肾脏病之一，患病率逐年上升。全球有300多万人接受ESRD治疗[1]。在亚洲，17%～34%的患者接受肾脏替代治疗。在全球范围内，亚洲人使用肾脏替代治疗的增长速度最快，而血液透析(以下简称血透)是最常见的肾脏替代治疗方式[2]。近年来，人工智能(artificial intelligence,AI)发展迅速，其正在彻底改变中低收入国家的健康和医疗保健现状，缩小医疗服务质量低下的知识和判断差距[3]。首届AI在透析中的应用现状与未来发展会议回顾了AI在透析中的应用经验，并讨论了该领域的障碍、挑战和未来应用，表明AI在血透中有着广泛的应用和良好的前景[4]。本文就AI在血透领域的应用及其进展做一综述。

1、人工智能的概述

AI的定义可解释为一套进行计算的算法，使感知、推理和行动成为可能。AI的一大优势是能学习和分析大型数据集，促进检测早期疾病、更好地了解疾病进展、优化药物剂量以及发现新的治疗方法[4]。作为AI的一个分支，机器学习(machine learning,ML)的算法具有从经验中学习和改进的能力，而无需为特定任务明确编程，包括监督学习和无监督学习[5]。在预测血透临床事件时，步骤包括：①研究细节；②数据收集；③数据清洗和特征提取；④模型开发；⑤模型验证；⑥样本类型[6]。深度学习(deep learning,DL)算法非常适合处理输入的大量数据，而无需明确的特征选择步骤。预测血透事件时，深度学习的步骤包括：①研究人群；②血透疗程；③结果和附加变量；④数据处理；⑤模型开发和验证；⑥模型解释⑦统计分析[7]。Gabutti L等人发现：在分析血透管理中的复杂多维数据时，与临床直觉和传统统计方法相比，深度学习可以显著提高预测能力，而且模型输入变量越多，模型的偏差越低，准确性更高，表现出更优越的性能[8]。

机器学习包括k近邻，决策树，支持向量机，朴素贝叶斯，极限梯度提升(extreme gradient boosting,XGBoost)，类别特征提升(CatBoost)和随机森林等模型。深度学习包括循环神经网络，卷积神经网络和生成对抗网络等模型。相比于普通线性模型，机器学习及深度学习模型的优缺点见表1。

2、AI在血透并发症方面的进展

2.1透析中低血压

透析中低血压(intradialytic hypotension,IDH)是血液透析过程中常见的一种并发症，尤其是收缩压降至90 mmHg(1mmHg=0.133 kPa)以下时，与死亡率升高有关[9]。从根本上说，IDH的发生是由于有效循环血容量减少，而神经激素系统又无法充分代偿而导致。而患者对饮食和生活方式建议的依从性，对体外循环和药物的反应、干体质量、超滤率、透析液成分和温度等都会影响IDH发生[10]。

利用机器学习模型，2020年Huang JC等人使用200名患者的血压数据进行训练，48名患者的血压数据进行测试。在训练数据中，XGBoost的性能最佳。但在测试数据中，随机森林表现最佳[11]。Gómez-Pulido JA等人训练了决策树和支持向量机来预测低血压，其中决策树的效果最好，在测试数据集上预测低血压的平均准确率达到75%～81%。当包含更多特征参数时，模型准确率超过80%，精确度为50%～60%，特异性超过90%[12]。我们研究团队收集血透患者数据，包括左心室重量指数和射血分数等超声心动图参数，使用10种机器学习算法，建立50个预测IDH的机器学习模型，进行模型评估、解释和外部验证，筛选出最佳模型，并进行模型评估和外部验证。结果显示CatBoost模型为预测IDH的最佳机器学习算法模型。取位于前20的特征进行进一步分析，共13个特征构建精简版机器学习模型，结果显示精简版机器学习模型也有较好的性能。对原始模型及精简版机器学习模型进行了外部验证，各个定义下的CatBoost模型的受试者工作特征曲线(ROC)-曲线下面积(AUC)均大于等于0.758。

在深度学习方面，Lee H等人使用了多种模型来预测IDH，其中，循环神经网络的预期校准误差和性能最优。在预测IDH的基础上，作者还给出了预防IDH的策略，包括经常评估干体质量、降低超滤率、增加透析时间和次数、使用低温或等温透析液改善血管反应等措施[13]。Wang F等人使用3种卷积神经网络模型：一种单过程模型和另两种多过程模型来探究血透患者生存率，模型预测结果提示血压较低且血液透析时间较长的患者生存率更高[14]。Bae TW等人利用10个输入参数建立了一个多层感知器模型，该模型可在血液透析过程中对IDH风险进行连续、实时的预测，从而能够更早地采取干预措施，预防IDH的发生和相关不良后果[15]。

总而言之，无论是机器学习还是深度学习模型，都能帮助临床决策和监测血透患者，且更好地利用现有的数据，来评估透析中低血压风险并给予患者防治建议。

2.2肾性贫血

血透虽然可以部分恢复肾脏的血液滤过功能，但肾脏调节代谢和内分泌功能的作用无法替代，导致常见的并发症如肾性贫血的发生。对此，在机器学习方面，Ohara T等人提出了一个贫血控制系统来帮助管理贫血。在验证测试中，与医生相比，该系统的正确分类率达到72%～87%，临床适当分类率达到92%～98%，提示该系统能初步预测诊断贫血[16]。同样，Barbieri C等人建立了一个机器学习模型，引入模型并实施模型建议后，血红蛋白正常率从70.6%上升至83.2%，表明该模型可通过稳定血红蛋白水平和优化红细胞生成素剂量，改善贫血管理，同时减少心血管事件、住院和输血等不良事件的发生，是一种有益的临床决策支持工具[17]。

表1各种模型的优缺点

3、AI在血管通路方面的进展

血透患者需建立血管通路，动静脉内瘘是首选血管通路，内瘘的质量往往影响着血透，传统方法上一般使用超声多普勒机进行人工评估[18]。近些年来，AI在预测动静脉内瘘评估上进展迅速。利用机器学习模型，Chiang PY等人开发了一种无线光电血压计传感器系统，其中算法包括k近邻，贝叶斯模型和支持向量机，用于评估动静脉内瘘的质量和成熟度，该系统对狭窄评估的准确率达到87.8%，与超声测量相比，准确率达到88.6%，系统还可以分析血透患者的动静脉内瘘声音，准确率达到70%～93%[19]。Peralta R等人开发并验证了一种动静脉内瘘失效模型，从血管壁运动信号的频谱中提取谐波比作为支持向量机算法的输入特征，模型在预测动静脉内瘘失效风险方面显示出良好的区分度(AUC 0.80)和出色的校准性，与超声血流测量相比，该模型在检测低于600～750 ml/min的动静脉内瘘血流方面具有95%～100%的灵敏度和100%的特异性[20]。

4、AI在液体容量管理上的进展

液体容量管理在慢性体液过载方面与血透患者的发病率和死亡率增加有关。在利用深度学习模型预测低血压、液体超载和干体质量方面，国内外研究者取得了一定的成果，特别是递归神经网络具有很高的预测精度[21]。干体质量是血透患者液体容量管理的重要参数，是指去除多余液体后的目标体质量。准确估计干体质量有助于避免透析过程中的并发症。目前，干体质量是通过血液检测、成像和生物阻抗分析等临床方法确定的，耗时耗力。在血透患者的液体容量管理方面，Hecking M等人在每次治疗前收集所有关于液体状态的可用数据，并提出一种机器学习算法，根据液体量的波动，灵活调整每日目标体质量[22]。在深度学习方面，Guo X等人开发了一种名为多重拉普正则径向基函数神经网络模型，与其他模型和生物阻抗监测相比，该模型在交叉验证中预测干体质量的误差最小，在评估干体质量上优于传统的临床方法，可帮助优化血透[23]。

5、AI在判断血透患者预后上的进展

血透患者心血管疾病发病率较高，且是患者死亡的主要原因之一。作为预后的主要指标，血透患者死亡率是预测热点。在机器学习方面，Siga MM等人开发的贝叶斯模型在10倍交叉验证中，14个变量的算法预测2年死亡率的AUC为0.78，灵敏度为72%，特异度为69%，阳性预测率为70%，阴性预测率为71%[24]。在深度学习方面，作为循环神经网络中的一种，Wang Y等人建立的长短期记忆网络模型(long short-term memory,LSTM)在预测90天死亡率方面的AUC为0.57，召回率为0.86,F1分数为0.87，优于支持向量机和随机森林等机器学习模型[25]。

6、结论

AI是一个强大的平台，有望从根本上改变全球健康现状。但人工智能有三大挑战：第一，数据的可靠性和可用性问题；第二，在卫生系统中应用人工智能工具面临巨大挑战；第三，大多数医疗系统缺乏监管能力，无法监督和管理快速变化的技术[3]。用机器学习和深度学习的人工智能模型在预测结果和个性化血透治疗方面取得了良好进展，其已被有效地用于预测透析并发症、优化贫血管理、评估血管通路、液体容量管理和预测预后情况，具有广阔的发展前景。未来的血透将更加趋向于个体化，相信随着人工智能不断发展与成熟，其将成为医师的得力助手，帮助做出更大贡献。

作者贡献：任之健：文献收集和论文撰写；罗群、蔡珂丹：论文修改，文字校正。

利益冲突声明：本文作者无相关利益冲突。

参考文献:

[18]周鸿明,李云逸,李伟龙,等.机器学习在血液透析治疗中的应用进展[J].国际医药卫生导报,2023,29(13):1777-1781.

基金资助:浙江省医药卫生项目(2024KY336);省市共建医学重点学科(2022-S03);宁波市卫生健康科技计划项目(2023Y89);

文章来源:任之健,罗群,蔡珂丹.人工智能在血液透析监测和并发症预测中的研究进展[J].中国血液净化,2024,23(04):295-298.