编者按：在AI4S和S4AI的时代，大数据与人工智能支持的肾脏病诊疗成为肾脏病领域研究的重要新方向，“Hospital to Home”的理念逐步落实，基于泛健康管理以及主动健康管理概念的肾脏全生命周期健康监测和管理正在革新。我们相信人工智能将为肾脏病学的发展注入新的动力，推动大数据技术在肾脏病预防、诊断、治疗和管理中的应用，提升我国肾脏病学的整体水平。在中华医学会、中华医学会肾脏病学分会主办的中华医学会肾脏病学分会2024年学术年会（CCSN 2024）上，山西省人民医院周晓霜教授对基于大数据的慢性肾脏病（CKD）全程管理与预测模型研究做了精彩报告。现整理核心精要，以飨读者。

大数据与AI支持的肾脏病诊疗越来越受到广泛关注

CKD具有高患病率、高致残率、高医疗花费、低知晓率的三高一低特征，已被推荐加入导致过早死亡的非传染性疾病的优先名单中，“以健康为中心”加强CKD的全程管理至关重要[1-4]。肾脏病领域在新型血液净化材料和设备研发、肾脏病无创诊断评估技术、肾脏靶向药物递送系统研发、肾脏病的基因疗法、基于器官对话的肾脏病治疗、大数据与人工智能支持的肾脏病诊疗、肾脏病精准治疗药物研发等方向都展开了不同程度的创新工作。其中大数据与人工智能支持的肾脏病诊疗越来越受到广泛关注，包括基于机器学习的人工智能辅助诊疗、血液净化人工智能机器人、肾脏全生命周期健康监测和管理[5]。

大数据与AI推动下的医疗信息化与智慧健康管理

大数据+AI正缓解医疗卫生资源配置的不均衡和短缺，有效融合蛋白质组学、基因组学、物联网、云计算、3D打印、生物材料、虚拟现实、生物传感等正在实现普惠、高效、精准的全方位、全周期、全人群的公共健康管理[6]。未来医疗发展的三大趋势包括数字技术与医疗的深度融合、患者健康素养全面提升以及多元化医疗场景带来的新挑战。“健康中国2030”计划特别强调了智慧服务、智慧医疗、智慧管理和电子病历的重要性。“十四五”全民健康信息化规划提出了以人民健康为中心的1个中心，并包括了促进医学人工智能、5G+医疗健康、区块链+卫生健康、医疗物联网和医疗健康机器人等新一代信息技术的应用试点。

CKD全程管理中预测模型研究的价值与应用

科学、规范的数据收集和模型开发能够确保为临床决策提供支持，为患者提供最佳的治疗方案和预防策略，因此对CKD全程管理的预测模型研究具有重大意义。临床数据的来源主要有电子病历、LIS、实验室信息系统、电子健康记录、患者报告的临床结局、临床研究数据库、医疗可穿戴设备、PACS等。多样化的数据收集、清洗和储存合力，为CKD全程管理提供了一个坚实的基础平台，为未来的个性化治疗和预防策略提供了无限可能性。预测模型的总体构建策略包括数据预处理、变量初步筛选和分析、模型开发与应用、模型评估和持续优化与更新。

大数据与AI在CKD管理中的应用现状

01、中国肾脏病大数据平台建设现状

中国肾脏病大数据平台建设已经达到一定的规模，并构建了完善的数据模型，平台硬件具有强大的数据储存、处理和分析能力。

02、智慧慢病管理

基于大数据的智慧慢病管理功能主要覆盖：可查阅CKD患者门诊、住院、体检、随访及院外的360健康数据；实现含随访、宣教、咨询、问卷调查、健康评估在内的全程数字化管理；监测患者居家血压、血糖、心率，对异常值给出预警；根据院内、区域健康数据筛查定位潜在患病人员。

03、数字疗法的普及推广

数字疗法是一项新兴的医疗技术，丰富了临床医生的干预手段，可向患者提供的、基于循证医学证据的治疗措施或干预措施。这些干预措施由高质量的软件程序驱动，其本质是服务的数字化，核心功能则是用于预防、管理或治疗某种疾病。它们可以单独使用，也可以与药物、设备或其他疗法协同使用。

04、风险评估模型

风险评估模型是一种数据驱动工具，通过分析临床数据、实验室检查结果及生活方式因素，预测个体发展为肾病的风险。该模型能整合医疗历史和生物标志物数据，为患者提供早期识别、个性化干预建议和医疗决策支持，以降低肾病发病率并改善预后。结合多种数据源和先进统计分析方法，这一工具已在全球范围内得到开发和应用。

05、研究进展

有研究开发了一个基于超声图像的AI模型，能够有效预测估算肾小球滤过率（eGFR）并分类CKD状态。该模型在大量的患者超声图像数据上训练，表现优于资深肾脏病学家的评估，显示出在无创评估肾功能和CKD筛查方面的巨大潜力，未来有望通过进一步研究推广其临床应用[7]。

一项多中心回顾性研究利用1948位病人的5844张移植肾数字活检切片和卷积神经网络(CNN)技术，成功预测了正常、排斥或其他疾病三种结果，并通过可视化技术显示了排斥相关区域。尽管这些模型尚未能取代人类病理学家，但它们有望通过增强智能来提升病理学家的工作效率和准确性[8]。

深度学习在CKD患者眼底影像分析中的应用与展望

肾和眼具有惊人相似的结构、发育、生理和致病途径，基于深度学习已能通过视网膜眼底彩照预测CKD，但现有的影像量化分析研究尚无一致性结论。我们收集了眼底图像，进行糖网相关量化分析，从眼底图像的角度探索糖尿病肾病|（DKD）、糖尿病视网膜病变（DR）等的早期发现。通过数据清洗和可视化分析，发现DR组的发病年龄低于DKDDR（糖尿病肾病和视网膜病变）组，而DKD组的首次就诊年龄最高，各次就诊年龄存在显著差异。DR组的血肌酐和尿素氮大部分都在合理范围内，DKD组以及DKDDR组中，可以明显看到血肌酐和尿素氮的升高。后续我们计划开展全面量化影像分析，包括基于眼底OCT的精确影像量化、血液动力学分析、图像自动化标注、影像标准建设，以及辅助肾脏病早期诊断和治疗，旨在通过这些研究提高肾脏病诊疗的准确性和效率。

基于大数据的CKD管理的挑战与应对策略

在运用大数据管理CKD的过程中会面临多项挑战，包括数据隐私模型可解释性、跨人群应用以及应对技术更新迭代带来的模型升级和维护问题，以确保数据的稳定性、技术的可靠性和模型的预测精度。

为了有效应对这些管理挑战，可以采取综合性的措施，包括加强数据保护措施、采用可解释性模型、进行多中心大样本研究等策略，以提高管理效果和保护患者隐私安全。同时，政策法规的支持和行业标准制定也是关键，涉及伦理审查和道德约束，以及加强监管与合规。

总结

大数据分析和预测模型在肾病诊疗中提供了重要的辅助作用，为临床工作带来巨大便利。通过个性化预测和治疗、健康决策支持、实时监测与远程管理以及生物技术和治疗创新，提供更精准高效的医疗服务，推动肾脏健康领域的发展。未来，应致力于开发能实际应用于临床的预测模型，为患者提供更优质和便捷的患者诊疗服务。

专家简介

周晓霜 教授
山西省人民医院肾内科
主任医师，博士研究生导师，省优专家
肾脏重症病区主任
山西省肾脏病大数据中心常务副主任
医学博士，美国贝勒医学院肾内科博士后
太原理工大学大数据学院博士后
主持国家自然科学基金3项，主持山西省优秀青年基金
获 “中共山西省委组织部山西省青年拔尖人才”、 “山西省人民政府嘉奖” 、“山西省学术技术带头人”“三晋英才拔尖骨干人才”、“山西省五四青年奖章”、“山西省青年岗位能手”等荣誉。

参考文献
[1]Kalantar-Zadeh K, Jafar TH, Nitsch D, et al. Chronic kidney disease[J]. Lancet, 2021, 398(10302): 786-802.
[2]Francis A, Harhay MN, Ong ACM, et al. Chronic kidney disease and the global public health agenda: an international consensus. Nat Rev Nephrol. 2024;20(7):473-485.
[3]Time to sound the alarm about the hidden epidemic of kidney disease. Nature. 2024;628(8006):7-8.
[4]KDIGO 2024 CKD Guideline
[5]肾脏创新与转化联盟肾脏病领域“十大创新方向”专家组. 肾脏病领域“十大创新方向”中国专家共识（2024年版）[J]. 中华肾脏病杂志,2024,40(05)：426-430.
[6]魏东海等."从远程医疗到互联网+人工智能（AI）医疗看医疗数字化的演进." 中国研究型医院 9.05(2022):64-76.
[7]Kuo, C. C., Chang, C. M., Liu, K. T., Lin, W. K., Chiang, H. Y., Chung, C. W., Ho, M. R., Sun, P. R., Yang, R. L., & Chen, K. T. (2019). Automation of the kidney function prediction and classification through ultrasound-based kidney imaging using deep learning. NPJ digital medicine, 2, 29.
[8]Kers J, Bülow RD,  et al. Deep learning-based classification of kidney transplant pathology: a retrospective, multicentre, proof-of-concept study. Lancet Digit Health. 2022;4(1):e18-e26.