人工智能在血液透析中的监测及预测应用进展

魏花萍 ，郭振霞 *

（1.兰州大学护理学院，甘肃 兰州 730000；2.兰州大学第一医院，甘肃 兰州 730000）

随着科技的进步，人工智能（Artificial Intelligence，AI）技术日渐成熟，甚至在多个领域超越人工技术所能达到的水平[1]。人工智能技术与医疗技术的结合，有效帮助医生进行疾病的诊断和辅助治疗，协助医疗接诊或初步分诊等，帮助护理工作者摆脱大量重复单纯的体力支出，对于医疗工作的开展起到很大的推动作用[2]。人工智能的主要优势在于能避免统计学造成的偏差，消除人为错误。持续不断的AI数据监测与更新，最终可以产生一个深度学习系统，其可以独立预测、检测和评估该领域的长期运行结果。

血液透析（HD）已成为可能存在肾功能不全患者选择肾脏替代治疗的一种方法，每周3次，每次4小时的血液透析可以延长患有多种并发症的终末期肾病患者的生存期[3]，在延长患者的预期寿命和提高生活质量方面发挥了作用。但患者在血液透析期间仍可能发生感染、心血管事件、肌肉痉挛甚至死亡。接受血液透析的患者发生严重心血管事件的风险增加，心脏病占所有死因的43%，其中约61%的死亡是由心脏骤停引起的。Rezapour等[4]将数据挖掘方法应用于血液透析患者的治疗记录，以预测患者的生存率，目的是提供最佳的用药计划并降低患者的费用。电子病历系统可以识别出许多已确定的风险因素，包括较低的超滤量、低钙的透析液和较短的治疗时间。Saurabh Singh Thaku等[5]基于监督机器学习算法开发了一个预测模型，通过非接触式传感器设备的数据，记录生命体征，如心率、呼吸频率和心率变异性等重要参数，帮助医生或护士做出为患者提供更好的护理和舒适度的决定，并用于分析和预测任何临床紧急情况，如肌肉痉挛、急诊就诊、心血管事件、猝死等。人工智能在血液透析中的监测及预测功能应用如下。

1 透析过程中的功能监测

1.1 血流动力学监测

血流动力学不稳定及急性肾损伤的重症患者，不能耐受间歇性透析治疗，容易因血容量不足引起低血压[6]。对于血流动力学不稳定的患者，连续肾脏替代治疗（Continuous Renal Replacement Therapies，CRRT）[7]通过缓慢持续清除体内的液体，确保患者生存和肾功能的恢复。与人工智能相结合改进后的CRRT技术可下载在线教程并协助进行故障排除，从机器和患者的电子病历中连续、实时地获取数据，并做到停机时间剂量补偿、柠檬酸盐抗凝期间的钙替代、回路压力曲线以及适当的流体平衡。建立自动生物反馈回路，基于各种连接平台（机器、本地及云平台）的监视和数据收集系统，帮助肾病医生评估是否达到了所提供治疗的终点。这些技术的进步为根据特定的临床条件和患者需求进行个性化治疗提供了基础[8]。

1.2 抗凝剂使用监测

临床上，透析专科医生和护理人员在实施血液透析时，不知道如何运用科学方法来计算抗凝剂的用量。在大多数情况下，抗凝剂的用量取决于个别医生和护士的主观经验，这会导致体外凝血的发生，从而降低患者的生存率。医护人员需要通过科学的方法来确定最佳抗凝剂使用的剂量及水平，以降低体外凝血的发生率。An-Jin Shie等[9]使用Taguchi方法，将神经网络和反向传播网络相结合，通过转换函数来计算隐藏层数的设置，确定了血液透析程序中体外凝血发生的相关参数，以此来预测最佳凝血因子和水平的组合，获得稳定的血流环境。通过实验，患者体外凝血的发生率由32%下降至12.9%[10]。

1.3 动静脉瘘功能监测

Ali Kordzadeh等[11]对266例动静脉内瘘手术治疗的患者进行了连续的前瞻性研究。监测患者的人口学资料（年龄、性别）、解剖学差异（头静脉和radial动脉直径）、合并症（糖尿病、缺血性心脏病、充血性心力衰竭、高血压）和血管搏动等数据，数据被输入人工神经网络中。通过10个因子来预测，发现年龄、动脉和静脉直径是动静脉内瘘成熟的关键因素，预测准确度>89%。

2 临床预测功能

2.1 突发心源性死亡的预测

Benjamin A等[12]对透析的10万名66岁以上患者建模并进行风险预测，监测的数据包括：人口因素如年龄、性别、种族，透析相关因素如透析频次、间隔天数、干体重、血流量、透析液流速、钙含量、钾含量，透析前血流动力学如透析前收缩压、舒张压、预冲液压力，实验室检查指标如白蛋白、血红蛋白、白细胞计数、血小板、肌酐、磷、钾盐、钙×磷、铁、钙、甲状旁腺激素，透析过程中用药如肝素、蔗糖铁，透析后因素如透析后体重、体重变化、实际透析时间，透析后血液动力学如下机后收缩压、舒张压等72个预测因素。将实验室检查结果作为协变量，评估电子病历系统，以预测近期心脏猝死的潜在风险。从死亡记录中确定患者心源性猝死的发生率相对较高，灵敏度为83%，特异性为95%。

2.2 老年透析患者的近期死亡风险预测

Shih-Yi Lin等[13]利用人工神经网络及随机森林预测模型，建立了评估6个月死亡率的风险模型。通过综合分析糖尿病、癌症、酒精相关疾病、中风、COPD、陈旧性髋部骨折、骨质疏松、阿尔茨海默病和既往呼吸衰竭病史等因素，建立接受透析的老年患者的综合危险评分[14]及评估6个月死亡率的风险模型，帮助家庭成员和老年患者决定是否接受透析，尤其是对于那些年龄较大和合并症较多的人群。

2.3 糖尿病肾病的进展预测

糖尿病肾病（Diabetic Kidney Disease，DKD）是血液透析的主要原因。Masaki Makino等[15]的研究使用结构数据、文本数据和来自64 059名2型糖尿病患者的电子病历（Electronic Medical Records，EMR）的纵向数据，3种不同的方法提取了6个月日益加重的糖尿病肾病患者的数据，建立了糖尿病肾病进展的临床特征模型。首先，在患者出现临床症状或体征如微量白蛋白尿之前，建立了新的糖尿病并发症预测模型。其次，将大的EMR数据用于AI的机器学习。再次，人工智能使用了监测之前6个月的时间序列数据，并预测了数据提取之后6个月糖尿病肾病的进展。这有助于更有效和准确地实施干预措施，以减少血液透析心血管事件的发生。

3 展望

未来的透析设备研究方向将趋向小型化、便携性、灵活性、用水效率和可穿戴技术。实时远程监控不能对所有患者进行监测，可能仅适用于那些可能危及生命的紧急状况且也可行的高风险患者。未来血液透析治疗将更加个性化，重点放在心脏保护、容量管理、心律不齐监测，从而使患者的体液和电解质需求更加协调一致。人工智能的未来预测及模型应始终用作辅助，而不是替代临床决策过程。