摘要：CKD）的延迟诊断是一个全球性难题，其限制了启动疾病治疗的时机，可能导致治疗方案无法及时调整，增加患者终生肾衰竭的风险。CKD的早期诊断，结合风险分层评估和恰当的治疗手段，可以预防潜在肾衰竭、心力衰竭以及心血管事件，进而减轻患者、护理人员以及整个社会的疾病负担

慢性肾脏病（

CKD）的延迟诊断是一个全球性难题，其限制了启动疾病治疗的时机，可能导致治疗方案无法及时调整，增加患者终生肾衰竭的风险。CKD的早期诊断，结合风险分层评估和恰当的治疗手段，可以预防潜在肾衰竭、心力衰竭以及心血管事件，进而减轻患者、护理人员以及整个社会的疾病负担。

随着人工智能（AI）在医疗领域的深入应用，AI诊断已经成为医学界的重要发展方向。使用成像或基于实验室模型的人工智能（AI）方法可以促进CKD的早期发现和风险分层，从而实现最佳治疗以减轻疾病负担。

AI诊断技术应运而生

现如今人工智能主要包括预测型AI和生成型AI两大类型，在临床上，生成型AI能够高效处理语音和书面文本信息，自动生成临床记录等内容，还能与患者进行交流互动，并为临床决策提供有力支持，这些功能对于优化临床工作流程起到了积极作用。相对而言，预测型AI主要依托机器学习技术，可分为有监督学习和无监督学习两种模式，它需要借助大量丰富的临床数据来训练机器，从而实现对患者的预测分析，或者依据特定结果对患者进行分类。

从常规的视网膜扫描数据，到日常收集的血液、尿液检测结果，乃至一些特有的生物标志物数据，都可以被用于预测CKD的诊断结果和疾病发展预后，这些应用通过多种独特的风险预测方法，实现了对CKD的早期检测、风险分层评估以及精准治疗。

1．基于视网膜成像的深度学习算法

随着AI技术的飞速发展以及图像分割算法的不断优化，现如今AI可以从放射学、病理学图像，尤其是视网膜图像中提取有价值信息，用于诊断CKD并更精准地预测疾病进展。

视网膜就像是一扇 “窗户”，能为CKD的诊断提供许多关键线索。目前，科研人员已经开发出基于视网膜眼底成像数据的模型，并在糖尿病患者和非糖尿病患者群体中进行了外部验证，其准确性与传统临床模型不相上下。在新加坡的一项大规模研究中，研究人员开发出一种名为RetiKid的人工智能深度学习算法，主要原理就是通过视网膜图像检测CKD，该算法在新加坡和中国的两个独立人群数据集上完成了外部验证，准确率分别达到了73%和84%。此外，研究人员还专门针对糖尿病患者中CKD研发了一款名为RetiKid-Diab的深度学习算法，该算法以新加坡参与年度糖尿病视网膜病变筛查的患者队列数据为基础进行训练，并在另外两个独立的新加坡队列（一个基于人群的糖尿病患者队列和一个来自医院的2型糖尿病患者队列）中进行验证，准确率分别为76%和73%。

视网膜成像技术具有显著优势，它属于无创检测手段，应用广泛，标准的眼底图像通常可以捕捉到约45°的眼底视野，而超广角眼底图像的捕捉范围则能扩大到 200°。2018年至2022年间，中国23家三级医院利用收集到的超广角眼底图像开发了一种深度学习算法。在2023年，使用同批医院收集的数据对该算法进行验证时，其准确率高达81%。不过，与标准眼底成像相比，超广角眼底成像技术存在成本较高、应用范围有限的问题，这在一定程度上限制了它在临床中的使用。

2．基于实验室数据的预测型AI

预测型AI应用的训练数据来源广泛，常见的有影像学检查结果、实验室检测指标、患者的临床特征与人口统计学信息，甚至还包括可穿戴设备收集的数据，若进一步纳入遗传学信息、生活方式因素（如环境因素、社会经济变量等），预测的准确性还能得到进一步提升。

我们知道，在每一次医疗诊疗过程中其实都会产生大量的实验室数据，但目前这些数据在疾病风险预测和临床决策支持方面的应用程度还远远不够。CKD的诊断标准以及疾病进展的关键指标都依赖于实验室检测，因此科研人员已经成功开发出多种基于实验室数据的CKD检测和疾病进展预测模型，并完成了外部验证。

Klinrisk模型采用随机森林算法，其基于加拿大曼尼托巴省日常收集的实验室数据进行开发，并在加拿大艾伯塔省的数据集上完成了外部验证。之后，研究人员采用包括美国的人群队列以及全球范围内招募患者的临床试验中的CKD患者队列总共超过580万成年人的数据，对Klinrisk模型进一步验证。Klinrisk模型在预测估算肾小球滤过率（eGFR）下降40%或肾衰竭这一复合结局时，表现优于传统的标准治疗评估方法（即改善全球肾脏病预后组织[KDIGO]热图）。这表明，该模型无论是对于基线时已确诊CKD的患者，还是尚未患病的个体，都能有效进行风险预测。

在实际临床应用中，Klinrisk模型可以与基于指南的临床决策相结合来使用，有助于优化对疾病进展高风险CKD患者的检测流程，同时也能更合理地调整治疗方案。KidneyIntelX模型则主要用于预测早期糖尿病肾病患者的疾病进展情况，与 Klinrisk 模型相似，KidneyIntelX也运用了随机森林算法，对eGFR下降 40% 或肾衰竭的复合结局进行预测。结果表明，与传统标准护理相比，KidneyIntelX展现出了更出色的性能，目前KidneyIntelX模型也已经获得美国监管机构的使用批准。

如何选择AI模型

选择何种AI模型需要结合实际情况考虑，例如，在美国、欧洲以及部分亚洲国家，机器学习模型被归类为Ⅱ类医疗器械。这意味着除了仅用于科研的情况外，模型开发者在将其应用于临床实践之前，必须提交相关申请并获得监管部门的批准。

此外，依赖特定生物标志物的AI模型，在全球范围内的推广可能会面临挑战。因为这类模型的应用需要特定的实验室设备和检测方法，并且在进行风险分层评估时，往往需要采集新鲜的血液和尿液样本。相比之下，基于视网膜成像技术和传统实验室数据构建的模型则更具优势，它们所依赖的数据在常规临床护理过程中就能够收集到。

总而言之，对于那些门诊医疗机构来说，基于传统实验室数据的模型可能更为适用，因为其具有良好的基础医疗设施；而在一些实验室系统与其他健康数据尚未实现互联互通的国家，基于视网膜成像技术的模型则是进行疾病筛查的理想选择。但无论选择哪种AI模型，将疾病预测结果与合理的治疗建议紧密结合都是至关重要的。因为仅仅告知医疗人员患者的诊断结果，并不能从根本上实现减缓CKD疾病进展的最终目标。

★

未来展望

★

人工智能技术在医疗领域展现出了巨大的应用潜力，能够准确检测CKD，并为疾病早期治疗提供有力支持，有利于改善更多患者的肾脏功能和生命健康。然而，在CKD的分期诊断、风险预测以及治疗方案优化等方面，过去十年积累的研究成果在实际临床应用中的转化效率较低，这一问题亟待解决。

为了加速人工智能模型在医疗领域的应用，一方面需要建立清晰明确的监管框架和合理的报销政策；另一方面，各方应积极开展大规模的外部验证研究。此外，重视CKD、加强公共部门与私营企业之间的合作，以及促进国际肾脏病学会之间的交流协作，都有助于进一步推动人工智能技术的应用。

参考文献

医脉通是专业的在线医生平台，“感知世界医学脉搏，助力中国临床决策”是平台的使命。医脉通旗下拥有「临床指南」「用药参考」「医学文献王」「医知源」「e研通」「e脉播」等系列产品，全面满足医学工作者临床决策、获取新知及提升科研效率等方面的需求。仅供HCP观看。

来源：医脉通肾内频道