Qiongjing Yuan

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

изкуствения

Хайсия Джанг

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

2 Катедра по нефрология, Втора свързана болница на университета Soochow, 1055 Sanxiang Road, Суджоу, Jiangsu 215000, Китай

Тианци Денг

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

Шумей Танг

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

Ксианин Юан

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

Уенбин Танг

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

Янюн Сие

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

Huipeng Ge

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

Xiufen Wang

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

Цяолин Джоу

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

Ксианчен Сяо

1 Катедра по нефрология, болница Xiangya, Централен южен университет, 87 Xiangya Road, Changsha, Hunan 410008, Китай

Резюме

Изкуственият интелект (AI), като напреднала научна технология, се използва широко в медицинските области за насърчаване на медицинското развитие, главно прилаган при ранни откривания, диагностициране на заболявания и управление. Поради огромния брой пациенти, бъбречните заболявания остават глобален здравен проблем. Предизвикателствата остават при диагностицирането и лечението му. AI може да вземе предвид индивидуалните условия, да вземе подходящи решения и да обещае да постигне големи крачки в управлението на бъбречните заболявания. Тук правим преглед на настоящите проучвания на приложенията на ИИ при бъбречни заболявания в алармени системи, диагностична помощ, насочващо лечение и оценка на прогнозата. Въпреки че броят на проучванията, свързани с приложенията на ИИ при бъбречни заболявания, е малък, потенциалът на ИИ при лечението на бъбречни заболявания е добре признат от клиницистите; AI ще подобри значително капацитета на клиницистите в тяхната клинична практика в бъдеще.

Въведение

Бъбречните заболявания са основен проблем за общественото здраве, отчасти поради общата му етиология, причинена от диабет, хипертония, затлъстяване и стареене; честотата на тези състояния се увеличава. Според изследването на Глобалната тежест на болестите, нараняванията и рисковите фактори за 2015 г. 750 милиона души по света са страдали от бъбречно заболяване 1. Бъбречната болест носи огромна тежест за обществото. През 2017 г. проучване показа, че годишните разходи са приблизително 1205 щатски долара за пациент с хронично бъбречно заболяване в стадий 3 (CKD3), 1963 долара за индивид с CKD4, 8 035 долара за човек със състояние на CKD5 и 34 554 долара за пациент на хемодиализа 2. Следователно ранното откриване и профилактика на прогресията на бъбречното заболяване към крайния стадий на бъбречно заболяване е от съществено значение.

AI е наука за компютърно симулирани мисловни процеси и човешко поведение, която включва компютърни науки, психология, философия и лингвистика. През 2016 г. Alphago 3-0 спечели професионален играч на човешки Go. Това беше първата компютърна програма, която победи световен шампион на Go, ясно разкривайки потенциала, че AI ще донесе технологичен напредък през епохата. Продължаващият бърз растеж на мощността за компютърна обработка през последните две десетилетия, наличието на големи масиви от данни и разработването на усъвършенствани алгоритми доведоха до големи подобрения в машинното обучение 3 .

Електронните медицински досиета (EMR) предоставят широкомащабни и реални клинични данни, което е основата за разработване на AI технология в клиниката. За хората е предизвикателство да анализират директно тези масивни данни; това е не само поради огромното време, необходимо и грижите, необходими за избягване на човешки грешки, но и способността да се извлекат прозренията или информацията в дълбочина. Ясно е, че AI технологията има непаралелни предимства пред хората в тези области 4. Изследванията на AI при бъбречни заболявания са в начален етап. Според съществуващата литература функцията на ИИ при бъбречни заболявания се фокусира главно върху четири аспекта: системи за предупреждение, диагностична помощ, насочващо лечение и оценка на прогнозата.

Материали и методи

Източник на данни

Извършен е несистематичен преглед на литературата чрез скрининг PubMed до 1 август 2019 г. Използване на думите за търсене, включително „изкуствен интелект“, „машинно обучение“, „мрежи с изкуствени неврони“, „дълбоко обучение“, „бъбречна болест“, "хронично бъбречно заболяване", "остра бъбречна травма" и "нефрология".

Избор на проучване

Литературата е получена от английски статии или статии, които могат да бъдат получени с английски резюмета. Включени бяха изследвания на човешки набор от данни. Препратките също бяха идентифицирани от библиографиите на идентифицирани статии и файловете на авторите.

Функцията на AI при бъбречно заболяване: системи за предупреждение, диагностична помощ, насочващо лечение и оценка на прогнозата

Сигнални системи

Ранното прогнозиране на влошаване може да играе важна роля в подкрепа на здравните специалисти, тъй като приблизително 11 процента от смъртните случаи в болница следват неуспешно разпознаване и лечение на влошени пациенти 5. AI може да идентифицира информацията бързо и ефективно, да изследва вътрешните взаимоотношения.

Сигнал за AKI

Съобщава се, че AI технологията има предимство в предупреждението за критични заболявания, като остро нараняване на бъбреците (AKI) 6. AKI е често срещано критично заболяване в клиниката, особено за пациенти в напреднала възраст и периоперативни. Честотата на AKI е 7-18% сред хоспитализираните и 50% при пациентите на интензивно отделение 7 и се увеличава с 11% годишно 8. AKI ще удължи хоспитализацията и ще увеличи цената на лечението 9. Пациентите с AKI ще имат по-голяма вероятност да прогресират до терминален стадий на бъбречно заболяване (ESRD), отколкото тези без AKI 10. Имаше приблизително 2 милиона пациенти, починали от AKI всяка година. Смъртността е била 10-30% при пациенти с AKI без усложнения и 30-80% при тези с мултиорганна недостатъчност 11. Понастоящем диагнозата AKI все още се основава на серумен креатинин и отделяне на урина, които не са очевидни в ранните AKI. За клиницистите е трудно да разпознаят AKI във времето 12. Ранното разпознаване и предотвратяване на потенциални AKI е важно.

Традиционните линейни модели изискват статистическото предположение за линейна връзка между ковариатите и риска от заболеваемост и често са прекалено подходящи и мултиколинеарни. Въведени са подходи за машинно обучение за по-добра или сравнима способност за предсказване от статистическия анализ за прогнозиране на следоперативни резултати. AI може да предложи възможности за идентифициране на рискови пациенти в рамките на период от време, който позволява ранно лечение 5. На 9 юни 2014 г. Националната здравна служба (NHS) Англия публикува националния алгоритъм AKI в своя сигнал за безопасност на пациентите, като препоръча „широкомащабно въвеждане и въвеждане на автоматизиран компютърен софтуерен алгоритъм за откриване на AKI“ 13. През 2015 г. Google разработи програмата Streams, която може да предскаже AKI и да изпраща предупреждения до лекарите за ранна интервенция 13. След това приложението на AI в AKI постепенно привлече вниманието на учените.

маса 1

Обобщение на ролята на AI при предсказване на AKI

NA, не е на разположение. точки, пациенти.

Предупреждение за ХБН

Съществуват също така доклади за приложения на AI за предупреждение за появата на CKD. В Австралия беше проведена пилотна програма с използване на електронни технологии за откриване на ХБН (Електронна диагностика и помощ при управление на първичната помощ при хронични бъбречни заболявания; EMAP-CKD). Софтуерът е изграден върху алгоритми, обучени да идентифицират рискови пациенти и да поръчат подходящ скринингов тест за CKD 21 .

В допълнение, AI също е проучен в ранното предупреждение за усложнения на ХБН. Galloway et al. съобщава, че използвайки само 2 ЕКГ отвеждания, модел на дълбоко обучение открива хиперкалиемия при пациенти с бъбречно заболяване с AUC от 0,853 до 0,883. Прилагането на изкуствен интелект към ЕКГ може да позволи скрининг за хиперкалиемия на пациенти с ХБН. Изследването обаче е ретроспективно и се нуждае от проспективно тестване. Освен това моделът е скрининг тест с ниска специфичност, с над 42% фалшиво положителни резултати, които могат да причинят безпокойство и неудобства за пациентите. 22. Pilia et al. използвайте също изкуствена невронна мрежа за възстановяване на извънклетъчните йонни концентрации както за калий, така и за калций с приемлива точност при пациенти с ХБН 23 .

Освен това AI може също така да предсказва разходите и смъртността на пациентите. Lin et al. твърди, че прилагането на AI моделиране може да помогне да се осигури надеждна информация за едногодишни резултати след диализа в популациите на възраст и супер възраст. Те стигнаха до заключението, че тези с рак, свързана с алкохол болест, инсулт, хронична обструктивна белодробна болест (ХОББ), предишна фрактура на тазобедрената става, остеопороза, деменция и предишна дихателна недостатъчност имат по-високи медицински разходи и висока смъртност 24 .

Освен това Eiichiro et al. идентифицира фактори на прогресивна ХБН от здрава популация на здравен пункт чрез използване на байесова мрежа и изкуствен интелект. Те включват хипертония, промените във времевите редове в прогностичната категория на ХБН, протеинурия и eGFR et al 25. Освен това Almansour et al. сравнява техниките ANN и SVM в набор от данни от 400 пациенти, за да предскаже ХБН в ранен стадий. Емпиричните резултати от експериментите показват, че ANN се представя по-добре от SVM, с точност съответно 99,75% и 97,75% 26. Chen Z et al. също използва многовариантни модели, т.е. K-най-близкия съсед (KNN), SVM и меко независимо моделиране на аналогия на класа (SIMCA), за да оцени риска от 386 пациенти за прогнозиране на ХБН. Общата точност е над 93% 27. Bermudez-Lopez M et al. също използва RF анализ, за ​​да посочи, че новите параметри като пропротеин конвертаза субтилизин-кексин тип (PCSK9) имат по-висока способност за дискриминация да класифицират пациентите в недиабетна група на ХБН 28 .

Високата заболеваемост, свързана с бъбречно-каменната болест, е една от основните грижи в здравните системи. Kazemi Y et al. разработи модел за ранно откриване на вида бъбречен камък и най-влиятелните параметри при 936 пациенти с нефролитиаза. Окончателният модел, базиран на ансамбъл (с точност 97,1%), може безопасно да се приложи за прогнозиране на шансовете за развитие на нефролитиаза 29 .

Докато настоящите проучвания са предимно ретроспективни анализи и приложимостта се нуждае от допълнителна проверка. Освен това се съобщава, че ANN модел, използващ 3 променливи, не се е представил по-добре от нов модел на регресия при подобряване на оценката на GFR 30. Освен това, AI технологиите са изправени пред етични и правни предизвикателства, които тепърва трябва да бъдат изяснени. През 2016 г. DeepMind Technologies Limited, изцяло притежавано дъщерно дружество на конгломерата на Google, Alphabet Inc., обяви първия си голям здравен проект: сътрудничество с Royal Free London NHS Foundation Trust, за да подпомогне управлението на AKI. Първоначално прието с голям ентусиазъм, сътрудничеството страда от липса на яснота и откритост, като въпросите за неприкосновеността на личния живот и властта възникват като мощни предизвикателства, тъй като проектът се развива 13. В крайна сметка проектът беше спрян поради липса на поверителност и съгласие за прехвърляне на извлечен от популацията набор от данни на големи частни търсачи 31 .

Компютърна диагностика - диагностична помощ

Компютърната диагностика (CAD) е технология, комбинирана медицинска обработка на изображения и компютърна обработка на изображения за количествено определяне и преценка на характеристиките на фокуса, може да помогне на клиницистите да идентифицират и анализират лезиите своевременно и точно 32. Функцията на CAD е проверена в много аспекти, особено при тумори, като рак на кожата, рак на гърдата, рак на белия дроб и така нататък 33. Проучванията, свързани с бъбречни заболявания, са оскъдни, главно за образна диагностика и патологична диагноза.

Образна диагностика

Често е трудно за лекарите да постигнат предоперативна диференциална диагноза между бъбречно-клетъчен карцином и някои доброкачествени бъбречни тумори благодарение на съществуващите техники за изобразяване (включително CT и MRI), като ангиомиолипома на затлъстяването 38. В повечето случаи такива доброкачествени тумори изискват само консервативно лечение или проследяване, така че е особено важно да се постигне точна предоперативна диагностика на бъбречно-клетъчен карцином и бъбречни доброкачествени тумори 39. Методът за автоматична класификация на дълбоките характеристики (DFC) може да разграничи както доброкачествените ангиомиолипоми без видима мазнина (AMLwvf) 40, 41, така и онкоцитома 42 от злокачествения бъбречно-клетъчен карцином (ccRCC) от изображенията на коремна компютърна томография (CT).

Освен това, Image genomics може да завърши геномния анализ при характеризиране на биологията на заболяването чрез извличане на голям брой характеристики на туморното изображение чрез AI и свързване на характеристиките на изображението с основния мутационен статус на тумори, молекулярни маркери, основни активирани биологични пътища или клинични резултати чрез разработване „Асоциативни карти“ между тях 43, 44. Jamshidi et al. конструира алтернативен модел за мулти-генна експресивна молекулярна детекция на бъбречно ясен клетъчен карцином на базата на геномика на изображението чрез използване на CT образни характеристики, като по този начин постига независимото предсказване на свързаната със заболяването преживяемост на пациентите без какъвто и да е метод за инвазия Установено е, че връзките между туморната ангиогенеза и радиомичните образни характеристики от PET/MRI, които могат да предскажат прогностичното и да насочват лечението на антиангиогенни агенти на ясноклетъчен бъбречно-клетъчен карцином (ccRCC) 46, 47. Повечето от настоящите клинични проучвания обаче са едноцентрови проучвания с малък размер на извадката и без кръстосан тест и проверка.

Нещо повече, Kuo et al. идентифицира състоянието на ХБН, определено от eGFR от 48 .

Вродените аномалии на бъбреците и пикочните пътища (CAKUT) при деца са предизвикателна задача. Приет е предварително обучен модел за дълбоко обучение (imagenet-caffe-alex) за прехвърляне на извличане на функции, основани на обучение, от 3-канални карти на функции, изчислени от ултразвукови изображения. Класификаторите на SVM след това се изграждат върху различни набори от функции, включително функции за трансферно обучение, конвенционални функции за изображения и тяхната комбинация. AUC за класификаторите, базирани на комбинираните характеристики, бяха 0,92, 0,88 и 0,92 за разграничаване на лявото, дясното и двустранното абнормно сканиране на бъбреците от контролите със степен на класификация 84%, 81% и 87%; специфичност от 84%, 74% и 88%; и чувствителност съответно 85%, 88% и 86%. Предполага се, че комбинацията от функции за учене на трансфер и конвенционални образни характеристики дава най-доброто класифициране за разграничаване на пациентите с CAKUT от нормалните контроли въз основа на техните ултразвукови изображения 49, 50 .

Патологична диагноза

Направете подходящи ICD кодове

Кодовете на Международната класификация на заболяванията (ICD) са важни за здравето на населението и откриването на кохорти, когато клиничната информация е ограничена. Сина Рашидиан и др. използва методи за дълбоко обучение, които се основават на демографски данни, лабораторни резултати и лекарства, както и кодове от предишни срещи, за да моделират вземането на решения за кодери. Бяха разследвани три тестови случая, включително остра бъбречна недостатъчност (ARF) и ХБН, AUC за прогнозиране на ARF и CKD бяха 0.9194 и 0.9424 поотделно 55 .

Водещо лечение

Насоките са основата за вземане на решения, които се формулират чрез мащабни разследвания. Следователно тези насоки се основават на популацията и са необходими корекции, като се използват насоките за отделни случаи. Изискват се персонализирани и точни протоколи за лечение. AI може да анализира връзката на протоколите за лечение и ефикасността от голям брой пациенти, да разработи модели, базирани на ефикасност и рискови фактори, да ръководи избора на протоколи за лечение и да подобри клиничната ефикасност. Свързаните проучвания за бъбречни заболявания са оскъдни, главно при пациенти на хемодиализа.

Лечение на анемия

Анемията е една от основните често срещани съпътстващи заболявания при пациенти на хемодиализа. Честотата и тежестта на анемията постепенно се увеличават, тъй като бъбречната функция намалява 56. През 2016 г. проучването за резултатите от диализата в Китай и практическите модели (китайски DOPPS) показва, че разпространението на анемията при ХБН е 21% 57. Анемията може да увеличи дела на хипертрофия на лявата камера, да причини сърдечна недостатъчност и миокарден инфаркт, да намали качеството на живот и да увеличи риска от смърт. Разходите за лечение и смъртността също бяха значително увеличени от анемия 58. Основната причина за анемия при ХБН е дефицитът в производството на еритропоетин (EPO) 59. Еритропоетин стимулиращите агенти (ESA), които биха допълнили EPO и повишиха нивото на хемоглобина (Hb), се прилагат широко от клиницистите. Токсичността на ESA обаче е проверена. ESA биха увеличили честотата на сърдечно-съдови събития, прогресия на тумора и смъртност 60, 61. Съобщено е, че токсичността е свързана с доза 62. Важно е да се намери адекватно лечение за всеки пациент във всяка конкретна ситуация.

Управление на кръвното налягане и течността

Кръвното налягане (АН) и обемът на течността са от решаващо значение за пациентите, подложени на хемодиализа. Разпространението на хипертонията е 40-90% от пациентите с ESRD според използваната дефиниция за BP, избраната популация и времето на измерване 69, 70. Клиницистите често намаляват претоварването на обема на извънклетъчната течност, за да контролират АН, което би увеличило честотата на интрадиалитична хипотония. Както интрадиалитичната хипотония, така и хроничната хипертония са свързани с лоша прогноза. Клиничната система EuCliD® е международно електронно хранилище на здравни досиета, позволяващо събиране на данни от точката на грижа на рутинната информация за клинична практика 71. Използвайки такова богатство от информация, Carlo et al. 71 разработи модел с множество крайни точки, предсказващ специфични за сесията Kt/V, отстраняване на обема на течността, сърдечна честота и АН въз основа на 766 000 записа през 2019 г. Точността и точността на модела са обнадеждаващи. Моделът може да помогне за вземането на оптимизирано решение в многоизмерни, различни от в момента ограничени стратегии за лечение с единична точка.

Носими устройства за диализа