美国肾脏病学会发布人工智能临床应用指导框架

人工智能正通过预测分析、机器学习、深度学习及生成式人工智能等技术，深刻改变肾脏疾病的治疗方式。为推动这一技术革新，美国肾脏病学会（ASN）设立人工智能工作组，制定了人工智能应用框架，强调三项核心原则：优先确保患者获益、保持临床医师监督、鼓励高疾病负担领域创新。该框架的基本前提是“医生始终参与决策环节”，根本目标是造福肾病患者。

近期，《JASN》发表综述文章《Responsible Use of Artificial Intelligence to Improve Kidney Care——A Statement from the American Society of Nephrology》，深入探讨人工智能在肾脏病学的临床应用，为将人工智能整合至慢性肾脏病、急性肾损伤、透析及移植管理提供实用指导，确保其得到有效且负责任的实施。本文提炼核心内容，供读者参考。

人工智能的应用有助于整合和自动化工作流程，从而改善慢性肾脏病的检测与管理。全球慢性肾脏病（CKD）筛查率普遍较低，当前临床实践仍以估算肾小球滤过率（eGFR）为主，导致疾病检测、诊断及治疗存在明显不足。人工智能在识别临床模式、预测不良事件及指导治疗决策方面已展现出潜力，肾脏病学领域亦不例外。基于图像的居家检测软件可通过智能手机、试纸及采集盒检测尿白蛋白信号并提供半定量评估；而床旁视网膜成像设备无需实验室检测即可在现场准确识别慢性肾脏病。这些人工智能应用在传统医疗机构覆盖之外的人群筛查中尤为实用。

对肾衰竭高风险患者，晚期可使用肾衰竭风险方程等工具辅助转诊、血管通路规划及移植决策。近期，研究者利用人工智能结合常规或高特异性实验室数据，开发了慢性肾脏病进展预测模型。其中，Klinrisk模型基于国际数据，在超过580万人中验证，仅凭全血细胞计数、代谢组和尿白蛋白/肌酐比值即可准确预测慢性肾脏病进展（AUC 0.8-0.88）。Renalytix人工智能结合三种生物标志物与临床数据，早期预测糖尿病肾病（AUC 0.74-0.77）。这些模型可补充肾衰竭风险方程，在更早阶段预测疾病进展，实现早期干预。

为提升慢性肾脏病诊断与风险预测能力，相关方法需无缝融入临床工作流程以促进优化管理。例如，维克福斯特大学实施的TrajVis工具将人工智能驱动的决策支持系统整合至电子病历或实验室信息系统，连接检测结果与风险分层及指南推荐治疗。此外，Klinrisk和KidneyIntelx可在识别高风险患者时提供指南支持的决策辅助。这些模型已应用于临床，有效提高了尿白蛋白/肌酐比值检测的适宜性和指南指导药物治疗的处方率。

急性肾损伤诊断依赖检测血清肌酐升高，但肌酐上升发生在肾小管损伤后数小时至数天，常导致干预延迟且效果不佳。回归模型可在体外循环等明确事件中预测急性肾损伤，而在更复杂的临床环境中，人工智能工具更具优势。人工智能通过分析肌酐趋势、尿量、生命体征及合并症等实时数据，能比回归方法更准确识别高危患者。此外，将人工智能整合入电子病历系统，可实现急性肾损伤患者的实时监测与动态风险分层，并推荐液体调整、肾毒性药物优化等循证干预措施，支持主动管理，使医生专注关键决策。集成人工智能的电子病历还能提供肾功能趋势可视化与预测模型。其成功依赖与现有平台的无缝整合、实时数据管道及医工协作，确保界面友好。

通过评估液体平衡、电解质及血流动力学稳定性，人工智能有助于优化重症监护室中透析启动时机。强化学习模型在个体化制定透析处方方面尤为有效，可能减少透析中低血压等并发症。当前提出的重症监护室数据湖概念有望显著增强人工智能在肾脏替代治疗决策中的应用。该数据湖整合来自不同数据源的实时与历史数据，创建统一存储库，支持患者状态的纵向追踪及专为重症肾脏病学设计的动态预测分析。应用人工智能算法可预测急性肾损伤或电解质紊乱等不良事件，并根据患者特异性阈值动态调整连续性肾脏替代治疗处方。但需注意，预测能力的提升并不必然改善临床结局，相关效果应通过科学方法进行衡量与评估。

透析治疗高度标准化且数据丰富，每次治疗都会产生大量纵向数据（如治疗参数、生物信号及人口学信息），并系统记录于电子病历中。这些大规模数据集为开发人工智能模型、改善患者预后及提升运营效率提供了理想基础。人工智能在透析领域已展现出实用价值，如经认证的贫血控制模型通过精准推荐红细胞生成刺激剂剂量，优化血液透析患者的贫血管理。该模型显著提高血红蛋白达标率、减少用药，实现成本节约并改善患者预后。人工智能还推动了透析中低血压预测技术的进步。整合了透析前特征和历史治疗会话数据的深度学习模型已实现高预测准确性，使临床医生能够对治疗方案进行预防性调整。

人工智能的最新进展使透析护理能利用多种数据模式，超越传统数值型数据集。例如，人工智能分析超声或影像数据有助于识别血管通路并发症；通过监听音频信号可实时监测治疗状况；利用可穿戴生物传感器则能在透析间期监测患者。大语言模型在处理复杂非结构化数据（如临床记录、病史、宣教材料）方面表现出色，可协助汇总患者数据、生成个性化治疗建议，并提供实时决策支持。此外，基于大语言模型的聊天机器人已试点用于改善腹膜透析患者的自我管理，通过生成多语种内容打破语言障碍，提升医疗服务的可及性与公平性。

人工智能在肾移植中的应用，有望通过预测建模、治疗方案优化、教育及决策支持，在移植全程中改善预后。它有助于扩大活体肾移植的可及性、优化遗体捐献器官分配，并提高移植后的预后水平。

▶提高移植率与活体捐献率

基于人口学、临床及社会经济数据开发的机器学习风险指数，可识别移植评估或等待名单中失败风险高的患者，从而实施针对性干预，减少差异、改善可及性。与传统模型相比，机器学习能处理复杂非线性数据，具备更高准确性与整合能力。此外，活体捐献可增加肾脏