2023年国际肾脏病学会报告数据显示,全球约有8.5亿人患有慢性肾脏病(chronickidneydisease,CKD)[1],我国CKD病人数量较多[2]｡随着我国人口老龄化日益加重,糖尿病､高血压等疾病发病率增加,受CKD影响的病人还将进一步增加[3]｡CKD起病隐匿､病程长且病情迁延不愈,进展至终末期并发症多,预后不佳｡早发现､早诊断､早治疗对于延缓CKD发展,减轻社会负担至关重要[3]｡营养治疗是CKD治疗的重要组成部分[4],合理的营养管理能提高CKD整体诊治水平,延缓疾病进展,改善病人预后,减少医疗费用支出[5]｡在临床实践中,CKD病人很难得到针对性的饮食指导及深入的随访管理,CKD营养管理的效果并不理想[6⁃7]｡我国学者探索建立了以护士为主体的多学科合作CKD营养门诊,进行个体化､一对一､持续性的饮食营养管理,提高了营养管理的安全性､依从性､有效性[8]｡但CKD营养门诊惠及面窄,难以满足广大CKD病人日益增长的管理需求,如何科学､有效地将院内营养服务延伸至院外是现阶段CKD营养管理的难题之一[9]｡人工智能(artificialintelligence,AI)的兴起使这一难题有望得到解决｡2017年,国务院发布《新一代AI发展规划》,将AI放在战略层面进行系统布局,聚焦AI与医疗等的交叉学科应用,加强各级群体智能健康管理[10]｡借助AI制订符合病人需求的管理模式,可提高医疗服务效率和能力,有利于重构医疗服务模式,缓解医疗人力资源紧张局面[11]｡目前已有研究对AI在CKD中的应用进行概述,但多集中于疾病诊断和药物管理方面[12⁃13],聚焦CKD智能营养管理的报告较少｡现就AI在CKD病人营养管理中的研究进行综述,以期为优化我国CKD营养管理提供参考｡

1、AI的概述

AI由McCarthy于20世纪50年代首次提出,是指制造智能机器的科学和工程[14],其目的是模仿人类思维过程､学习能力和知识管理[15]｡AI技术泛指AI领域所使用的方法､算法和模型[16],其范畴包括但不限于机器学习､深度学习､神经网络､自然语言处理[17]｡AI应用于医学可以追溯到20世纪70年代[18],早期的AI主要集中在规则驱动的专家系统中,这些系统依赖于人类专家的知识解决特定的医学问题[19]｡21世纪以来,随着计算能力的提升､大数据的普及和深度学习等机器学习技术的崛起,AI在医学领域逐渐发展出基于数据的方法,从而实现了对图像､音频和文本等多模态数据的自动分析,在数据的智能识别､理解､决策等方面取得了重大突破[20⁃21]｡

2、AI在CKD营养管理中的应用

AI在CKD病人营养管理中的应用已有初步探索,体现出智能化､便捷化､高效性及实时监测的优势｡

2.1AI在CKD膳食摄入评估方面的应用

营养评估的目的在于收集相关信息,为营养诊断提供证据,并为营养干预计划提供依据,是饮食营养管理的基础[5]｡评估CKD病人的膳食摄入一直是营养评估中的重难点之一｡传统的饮食调查方法,如3d饮食记录､24h膳食回顾和膳食频率调查存在称重准确性参差不齐､回忆偏倚等局限性[22]｡

近年来,随着智能手机和食物追踪应用程序的出现,手机拍摄食物照片并上传至应用程序成为记录膳食摄入的主要方式之一[23]｡张显龙等[24]指导3~5期非透析病人称重､拍照记录3d每餐食材,通过应用程序传给医生,医生远程接收资料并进行营养成分计算,这种远程饮食记录方式方便､实时且能避免回忆错误,但营养分析过程主要依靠专业营养师,人工分析时间长且营养师数量有限,不足以满足广大CKD病人的需求[25]｡膳食图像识别技术基于深度学习和神经网络对食物图像进行处理､分析和理解,可实现自动化食物识别､分类和营养分析[26]｡一款名为“GohanCouch”的应用程序通过膳食图片自动计算热量和营养成分,证实了AI驱动的智能手机应用程序在减少CKD病人每日盐摄入量方面具有临床实用性[27]｡基于AI的图像识别技术简化了膳食评估方法,加快了评估速度,有利于以更智能的方式记录饮食摄入,但CKD膳食图像识别准确性尚不明确,有待进一步验证与优化｡随着互联网文本､图像等数据的不断积累,基于深度学习的生成模型结合自然语言处理技术不仅能够理解和学习人类的语言并进行对话,还能根据聊天上下文进行互动[28]｡Qarajeh等[29]在4种语言对话模型(ChatGPT3.5､ChatGPT4､BingChat和BardAI)中输入了240种来自《妙佑医疗国际肾脏饮食手册》的食物,以期评估每个模型识别食物中钾､磷含量的准确性,结果4种AI模型在评估肾病食物中钾和磷的含量方面表现出不同的准确性,其中ChatGPT4和BingChat分类钾含量高低的准确率超过80%,而BardAI则准确识别了100%的高磷食物｡为降低CKD病人出现高钾血症风险,有必要评估并调整膳食中钾的含量以将血清钾维持在合理范围[30]｡一项研究纳入了375例常规采集24h尿液的CKD病人数据,通过AI中的贝叶斯网络算法与24h尿钾量数据开发了一种估计膳食钾摄入量的工具,该工具准确率为74%,但研究并未进行外部验证,工具的可拓展性存疑[31]｡新兴AI模型展示出有效评估CKD膳食营养素含量的潜力,但仍需要进一步改进,以达到90%或以上的准确率并扩展至更多CKD病人｡

2.2AI在CKD营养决策支持方面的应用

临床决策支持可以为医疗工作者､病人或其他个人提供知识和特定于个人的信息,并在适当的时间进行智能过滤或呈现,以增强健康和医疗保健[32]｡在CKD营养领域,临床决策支持系统(clinicaldecisionsupportsystem,CDSS)利用AI技术,结合海量的疾病知识､真实数据和临床经验,辅助营养师进行营养诊断､个体化饮食推荐及解决复杂问题[33⁃34]｡

营养诊断是指专业营养师对营养评估数据进行整理和分析,识别病人的营养状况和问题[35]｡Chen等[36]基于50种不同的营养规则,构建了一个营养诊断系统,在完成营养评估后,该系统可依据规则库进行推断并进行营养诊断｡研究人员选择并记录了100例血液透析(hemodialysis,HD)病人透析前的白蛋白､胆固醇､肌酐､身高和干体重数据,系统和营养师同时利用这些数据进行营养诊断,结果显示,系统较营养师更快､更准确｡临床决策支持系统能处理的问题种类繁多,在提高营养师临床实践效率方面具有优势,可以辅助营养师进行诊断｡在进行营养诊断后,专业营养师需要为病人制订营养计划,进行饮食指导｡CKD个体化饮食建议的提出需要在平衡膳食基础上,根据病人疾病分期选配食物种类和品质,具体到每个病人还需要根据个人身高､体重､体力活动以及疾病状态计算营养素需求并适时调整,以满足病人健康需求,减少肾脏负担[37]｡Chi等[38]研究整合了多种知识源,采用网络本体语言和语义网络规则语言构建了一个饮食咨询系统,基于84例CKD病人的病历数据评估系统在推荐不同食物种类和摄入量方面的性能,结果显示,系统推理的实验结果与营养师人工计算和推理的结果相同｡临床决策支持系统不仅能够模仿营养师在CKD饮食咨询中的决策过程,还可以减少时间消耗和计算错误｡Chen等[39]基于领域本体和决策树算法设计了一个具备专家知识的CKD饮食推荐系统,系统对病人情况进行分析并推断食物与病人间的关系,从而进行个体化饮食推荐,研究结果显示,该系统推荐的膳食准确率达100%｡AI在为营养师提供决策支持方面的前景优越,未来可凭借开放数据联动和知识库可扩展性的优势,建立更完善､更全面的决策系统,确保营养师和病人获得最佳､可用和有效的临床决策支持｡

2.3AI在CKD营养相关风险预测方面的作用

营养不良是CKD的常见并发症之一,也是CKD疾病进展及心血管事件发生与死亡的危险因素之一[5]｡因此,预测CKD营养相关风险对医护人员实施早期营养管理､改善病人结局具有重要意义｡机器学习可以应用于临床数据集,以开发风险模型,常见的算法有逻辑回归､决策树､随机森林､人工神经网络和支持向量机等[14,40]｡李雪芹等[41]采用逻辑回归分析探讨了1059例CKD住院病人营养不良危险因素并建立预测模型,模型的一致性指数为0.977,曲线下面积为0.977,提示模型具有较高的准确性和可靠性｡柴桂芬等[42]收集了200例腹膜透析病人资料,采用逻辑回归构建营养不良风险预测模型,临床验证结果显示,模型灵敏度､特异度､准确度分别为0.891,0.903,0.872,模型预测效能良好｡血液透析病人的低白蛋白血症与营养不良､炎症和死亡率增加有关[43]｡王瑶[44]应用4种机器学习算法(随机森林､支持向量机､逻辑回归和反向传播神经网络)开发维持性血液透析(maintenancehemodialysis,MHD)病人的低蛋白血症风险预测模型,构建的4种机器学习模型均表现出良好的性能,其中随机森林模型预测的整体性能和诊断效能优于其他3种模型,可帮助护士尽早识别病人相关指标变化,筛选出高危病人,预测维持性血液透析病人低蛋白血症的发生｡机器学习不仅可以预测疾病发生风险,还可以对疾病相关生物标志物起到一定的预测作用｡Hu等[45]结合2种机器学习方法分析了314例血液透析病人的3069条健康记录,开发出一种预测血液透析病人血清白蛋白趋势的有效辅助工具,准确率和特异性分别为98.39%和96.77%,表明该模型在预测血液透析病人血清白蛋白水平趋势方面具有巨大潜力｡Yang等[46]收集了台湾最大血透中心内1567例新发血液透析病人的纵向电子健康记录,基于机器学习结合深度和准确率分别为98%和95%,可以提高临床筛查效率和低血清白蛋白预测准确性｡AI在快速､客观预测CKD营养相关风险方面具有潜力,但在处理具有群体差异的数据方面效能有待提升｡

2.4AI结合移动通信技术进行营养管理

AI结合移动通信技术后可突破时间和空间限制,在实施个体化管理时更具连续性,有利于对CKD病人进行跟踪随访管理,增加营养管理的惠及面和普及度[47⁃48]｡Chen等[49]采用“互联网+医院到家”营养护理模式对3~5期的CKD病人进行6个月的营养护理,选用基于去噪算法的CT低剂量灌注图像评价护理效果,结果显示,“互联网+医院到家”营养护理模式较传统护理方法更具个体性,能较好地改善病人身体素质､精神状态及疾病预后｡阮卓欣[50]结合国内外CKD临床实践指南设计了CKD病人个性化健康管理系统,系统根据病人所处不同CKD阶段的特点,制定并提供个性化的健康管理方案,医生可远程监测病人数据并及时调整方案｡此外,系统结合自然语言处理技术,提供医患沟通辅助问答模块,有利于医生方便､快速地处理病人咨询｡目前,该系统已在CKD病人院外管理中得到应用｡系统不仅能节省病人前往门诊的时间和费用,提高医疗资源利用效率,而且有利于提高CKD病人治疗依从性,促使病人进行持续的健康管理,辅助病人控制CKD进展､改善预后｡通过整合移动通信技术,AI能够优化CKD的远程管理模式,未来这一模式有望推广应用至基层医疗机构,将AI智能､精准､高效的优势延伸覆盖至更广泛的CKD病人｡

3、挑战与展望

随着大数据､互联网的迅速发展,AI在CKD病人饮食营养领域逐渐开始应用｡尽管AI为CKD病人的营养管理带来了诸多便利,但仍面临一些挑战｡首先,基于图像辅助评估膳食摄入的精确度是当前面临的重要问题之一｡食物变化多样,形状各不相同,各种食物相混合更增加了复杂性[51]｡在理想情况下,需要大量膳食图片,其中需包含有关拍摄背景实况的信息,以训练系统并提高其准确性[52]｡其次,目前AI的自动化方法尚不够先进,在使用AI进行营养管理时,人工､时间等方面的问题未得到妥善解决｡未来需进行多中心､前瞻性的研究,提升AI模型水平,验证AI的可信度和有效性,以减轻参与者和研究人员的负担｡此外,AI模型的构建和应用阶段会使用大量病人的数据,有必要降低实施AI的伦理风险,包括数据隐私和保密规定､知情同意和病人自主权等｡在精准医疗､大数据和AI的交汇领域,制定数据保护法以保障病人隐私至关重要,同时建议使用身份验证算法等安全信息通道增强数据安全性｡

4、小结

AI在CKD营养管理领域的研究处于探索阶段,在AI工具帮助下,医疗工作者可以在一定程度上实现智能化的膳食摄入过程记录,推荐个体化的饮食建议,更好地帮助病人调整饮食方案,实施远程管理,增加营养治疗的可及性,有效防范不良事件和并发症发生｡然而,临床有效性证据需要进一步的研究支持,今后需将线上线下有机结合,整合多学科团队为CKD病人提供个性化､精准化､便捷化服务,形成从全面评估到精准干预再到持续监测与及时调整的智能营养管理闭环｡

参考文献:

[3]上海慢性肾脏病早发现及规范化诊治与示范项目专家组,高翔,梅长林.慢性肾脏病筛查诊断及防治指南[J].中国实用内科杂志,2017,37(1):28-34.

[4]姚颖.慢性肾脏病患者的营养治疗[J].中华医学信息导报,2021,36(9):10.

[5]中国医师协会肾脏内科医师分会,中国中西医结合学会肾脏疾病专业委员会营养治疗指南专家协作组.中国慢性肾脏病营养治疗临床实践指南(2021版)[J].中华医学杂志,2021,101(8):539-559.

[7]宋欣芫,郝洁,肖莉,等.护理专案改善在提高门诊慢性肾脏病患者自我管理能力中的应用研究[J].中华护理杂志,2017,52(6):692-697.

[8]张红梅,徐佳美,常立阳,等.以护士为主体的饮食营养门诊在慢性肾脏病治疗中的意义及工作模式探讨[J].中国慢性病预防与控制,2010,18(2):172-174.

[11]曹艳林,王将军,陈璞,等.人工智能对医疗服务的机遇与挑战[J].中国医院,2018,22(6):25-28.

[13]王李胜,童辉,杨建国,等.人工智能在慢性肾脏病应用现状及展望[J].中国血液净化,2022,21(1):59-62.

[16]李军莲,陈颖,邓盼盼,等.国外基于人工智能的临床决策支持系统发展及启示[J].医学信息学杂志,2018,39(6):2-6.

[19]刘蓬然,霍彤彤,陆林,等.人工智能在医学中的应用现状与展望[J].中华医学杂志,2021,101(44):3677-3683.

[21]刘蓬然,陆林,霍彤彤,等.人工智能技术在骨科领域中的应用进展[J].中华骨科杂志,2020,40(24):1699-1704.

[24]张显龙,刘旭生,傅立哲,等.远程饮食记录法与纸质3d饮食记录法对慢性肾脏病患者营养管理依从性的影响研究[J].中国全科医学,2021,24(15):1909-1914.

[28]张熙,杨小汕,徐常胜.ChatGPT及生成式人工智能现状及未来发展方向[J].中国科学基金,2023,37(5):743-750.

基金资助:杭州市生物医药和健康产业发展扶持科技专项(第十期)项目,编号:2023WJC181;

文章来源:袁祎,张红梅,常立阳,等.人工智能在慢性肾脏病营养管理中的应用进展[J].护理研究,2025,39(06):1033-1037.