目前人工智能在醫學領域，如圖像識別、語音處理等領域已逐步應用。那么，在腎病?？祁I域，尤其是透析領域，人工智能是否有新的進展呢？來自西班牙的 Miguel Hueso 等對人工智能在透析中的應用進行綜述，發表在最近一期的 Kidney disease 雜志上。  

      目前的透析設備不能對透析中突發情況進行自動處理，也不能對患者的既往情況進行分析，從而進行個性化治療。未來的創新透析設備，希望能達到微型化、持續性、個體化的透析治療。這種透析設備需要配備實時的設備監測報警系統、實時監測透析參數、實時監測患者相關數據，用于保證患者安全以及不斷根據患者參數的變化進行透析處方的調整。這種未來的創新設備，需要獲取并處理大數據，以及實時的預測模型。這就需要機器學習等人工智能的參與。  

      為了進一步探討人工智能對現今以及未來醫療的影響，最近在西班牙巴塞羅那的 L』Hospitalet 醫院，邀請人工智能以及透析方面的專家，召開一場有關人工智能在透析中應用的科學會議。以下是一些人工智能在血透中應用的例子：

     貧血治療與貧血控制模型  

      雖然透析能部分替代腎臟血液濾過的功能，但透析本身不能代替腎臟的代謝與內分泌功能。因此，透析患者常合并由于腎臟內分泌功能失調導致的并發癥：貧血。外源性紅細胞生成素 (ESA) 的出現，改善了透析患者的貧血狀況，但存在個體間療效差異。為了進一步幫助腎病醫生針對貧血的 ESA 和鐵劑劑量處方進行調整，開發了一種人工智能工具。  

      這種貧血控制模型（ACM）包含兩個組成部分：（1）通過人工神經網絡，根據患者臨床數據預測未來的血紅蛋白水平；（2）一種系統算法，用于推薦達到目標血紅蛋白水平的最佳 ESA 和鐵劑劑量。需要強調的是，ACM 只是提供治療推薦，但需要進一步驗證推薦劑量的療效。  

      根據患者目前的狀態（實驗室檢查、基線資料、透析參數）、ESA 和鐵劑劑量，通過人工神經網絡，訓練并預測未來一個月內血紅蛋白的變化。這種預測模型其實是以不同 ESA 劑量為自變量，血紅蛋白作為因變量的函數，用于下一步 ESA 劑量的選擇。

      總的來說，這種算法在于通過模型擬合，尋找讓血紅蛋白達到目標范圍的最佳藥物劑量。ACM 與患者的臨床醫療信息系統相關聯，自動實時獲取患者的臨床與實驗室數據。ACM 系統的引入，提高了患者貧血達標率 (70.6%～83.2%)，降低了貧血達標的個體差異性 (8.3 g/L～9.5 g/L)，減少了血紅蛋白超標（>12 g/L），減少 ESA 與鐵劑用量。

     血透中低血壓與機器學習系統  

      透析中低血壓（IDH）出現于 20% 的患者當中，并增加心血管死亡率和致殘率。IDH 的出現是由于目標體重變化量、血漿回輸能力以及心血管系統代償能力之間的失衡。為預防 IDH，開發了一套多輸入 - 多輸出的系統，名為 HemocontrolTM 系統。 

      HemocontrolTM 系統評估三種變量（血液容量、體重變化量以及透析液平均鈉濃度），控制兩個透析參數（超濾量和透析液鈉濃度）。通過一種生物感受器 (HemoscanTM)，使用分光光度計原理評估血紅蛋白濃度，監測相對血液容量 (RBV)。RBV 是根據患者超濾量與目標血容量之間的比值得出的。HemocontrolTM 系統通過調整透析液的鈉濃度以及超濾率的生物反饋機制，調整 RBV 的變化趨勢。  

      研究已提示，與常規血透相比，HemocontrolTM 系統能顯著地降低 39% 的 IDH 發生率、減少心臟驟停，并仍能保持每次治療的高濾過量。HemocontrolTM 系統通過開始時的使用高鈉透析液，能促進加壓素的釋放，是減少 IDH 發生率的可能機制。 

      人工智能在透析中的應用，還處于早期階段。主要的挑戰在于進行醫療決策時，對人工智能數據模型的解讀和理解能力（圖 1）。

      解讀循環：想象一方面是機器側，包括數據、和 / 或相應的模型、機器學習解讀工具；另一方面是人類側，包括基于現實認知模型的認知過程。這個循環能根據人類解讀，讓數據與模型進行相應的調整。 人工神經網絡和醫療決策輔助系統已在貧血、預防透析中低血壓中使用。實時監測系統，聯合自動的、持續性的生物反饋，能不斷地對透析處方進行實時調整。

      實時監測、實時獲取的透析參數，將產生大量的數據，需要機器學習等具有處理大數據能力的分析方法。未來的人工智能在透析中的應用，將有助于未來的醫療決策以及保證患者安全。

       (來源：丁香園腎內頻道   作者：蘇國彬)