肾透析移植机器学习

摘要

背景

本文综述人工智能/机器学习（AI/ML）算法在肾替代治疗（血液透析，腹膜透析和肾移植）中的研究现状及其影响。

问题

1. 包括了哪些医疗方面？

2. 有什么AI/ML算法被使用过？

方法

研究了三个医疗领域关于血液透析（hemodialysis，HD），腹膜透析（peritoneal dialysis，PD），肾移植（kidney transplantation，KT）的四个使用AI/ML的电子数据库或研究。

所以分为了HD,PD,KT三类。

AI+HD，血液透析	AI+PD，腹膜透析	AI+KT，肾移植
43个实验	8个实验	18个实验
透析服务管理，透析程序，贫血管理，激素/饮食问题，动静脉瘘（异常通道）评估	腹膜技术问题，感染，心血管事件预测	管理系统（ML用作移植前器官匹配工具），预测移植排斥反应，他克莫斯（肝肾移植的一线用药）治疗调节，饮食问题

结论

AI能比肾脏学家更好的预测：体积，KT/V（一定透析时间内透析器对尿素的清除量与体积的比值。），透析期间发生低血压或心血管事件。

这些实验报告了AI/ML对G5D/T患者的生活质量和生存期的强大影响。

未来几年，人们可能会看到AI/ML设备的出现，它有助于透析患者的管理，从而提高生活质量和生存。

专有名词

CKD: chronic kidney disease，慢性肾脏病

G5D/T: 终末期肾脏病，需要长期透析治疗。

FDA: US Food and Drug Administration，美国食品和药物监管局

ESRD: end-stage renal disease，终末期肾病患者

PRISMA: Preferred Reporting Items for Systematic Reviews and Meta-Analyses,系统综述和Meta分析优先报告的条目

• 本文按照该标准查找并筛选文章

• 分为四个流程(对应图1)：

  • 通过数据库检索文献

  • 直接剔除重复文献

  • 阅读题目和摘要后再剔除

  • 阅读全文后再剔除

  • 最终获得69篇论文

RCTs: randomized controlled trial,随机对照试验

一、介绍

AI/ML的方法已经步入平稳期：美国食品和药物管理局发布了监管框架，用于修改基于AI/ML的软件作为医疗设备。该委员会去年批准了至少15个涉及医疗领域的人工智能/深度学习平台(例如，用于房颤检测、CT脑出血诊断、冠状动脉钙化评分、辅助中风诊断或乳房x线摄影乳房密度)。

有数据集但没成功：在过去的15年里，许多问题和并发症产生的终末期肾病需要透析，使得人工智能算法得到了初始输入。但上述的成功案例均未发现。

成功案例引起肾学家思考：医学图像处理对医疗保健的重大影响，手术中的智能机器人，苹果手表对心房颤动检测的影响。

思考：

1. 将这种成功应用于透析设计

2. 开发智能透析设备

下一步目标：用AI加强透析机（也就是人工肾）的功能。

理论基础：2019年的论文——基于透析患者特征、历史血流动力学反应和透析相关处方，开发了一个多终点模型来预测特定时段的Kt/V、液体容量去除、心率和血压，

理论意义：为关于ESRD患者的人工智能研究打开了大门，ml驱动的机器连续自主地改变参数（温度、透析液电解质成分、持续时间和超滤速率），避免透析过程中糟糕的情况（例如低血压）。从而告诉我们，肾脏学是一门“个体化医学”，因为透析过程不一样。

二、材料和方法

遵循PRISMA指导原则（详看上述专有名词）

2.1搜索策略

搜索PubMed、SCOPUS、Web of Science和EBSCO的电子数据库，最早的论文为2019年8月。

筛选阶段获得77篇论文，通过两名审稿人讨论和协商后，69项符合标准。（对应表1-表3）

图1：筛选过程分为四个流程：

• 按照关键词通过数据库检索文献，获得455篇

• 直接剔除重复文献，101篇

• 阅读题目和摘要后再剔除，189篇重复，68篇不是手稿（手写），7篇没有临床，13篇没有文本

• 阅读全文后再剔除，2篇重复，2篇不是手稿，1篇没有临床，3篇质量差

• 最终获得69篇论文

2.2临床方法

图2：所有研究分为三大类，12小类：

image-20201116105831171

注：他克莫斯移植后，而不是后移植，指治疗调节。

主题：	AI+HD，血液透析	AI+PD，腹膜透析	AI+KT，肾移植
实验数量：	43个实验	8个实验	18个实验
功能：	透析服务管理，透析程序，贫血管理，激素/饮食问题，动静脉瘘（异常通道）评估	腹膜技术问题，感染，心血管事件预测	管理系统（ML用作移植前器官匹配工具），预测移植排斥反应，他克莫斯（肝肾移植的一线用药）治疗调节，饮食

实验的特征：

1. 大多数研究是观察性的，除了一个随机对照实验（RCT），超过60%的研究是在2010年之后报道的。

2. 大多数HD（血液透析）研究涉及个体化贫血管理和透析过程参数。准确预测移植排斥反应或移植后个体化免疫抑制治疗是AI和KT（肾透析）试验的主要主题。

2.3算法

表2：根据AI算法的类型进行分类：

image-20201116111114852

image-20201116111328138

算法分析：

• 64项研究包括ML算法: 未指定的、朴素贝叶斯模型、支持向量机(SVM)和马尔可夫决策过程强化学习(MDP)。

• 1个K近邻，1个MLP，30个未指定的神经网络算法。

• 11项研究基于树的模型(TBM)，随机森林（RF）或条件推理树

• 4次实验涉及数据挖掘

• 5次使用了模糊逻辑方法

• 1项研究包括特定的NLP算法

• 2项包括贝叶斯置信网络和动态时间扭曲（DTW）算法

三、讨论

3.1

3.1.1 Key Message

• 人工智能如何改善向HD(血液透析)提供的医疗服务?

  • 预防

    • 人工智能能够为临床结果不令人满意的HD实验确定风险概况。

    • 早期检测可以及时修正风险因素达到高质量的HD实验和有利的结果

  • 诊断

    • 用人工智能评估动静脉瘘管的流通性可以改善HD实验的结果和病人的生命质量

    • 通过用人工智能解决方案代替更昂贵的诊断流程能减少医疗成本

  • 处方

    • 人工智能推荐药物剂量预防HD相关的并发症如贫血和血红蛋白的波动、矿物质失衡等

    • 算法的参与会导致更少的并发症和减少药物的使用，减少治疗费用

  • 预测

    • 人工智能用于预测HD期间的死亡率和生存率

    • 特定的算法预测生命质量,对心血管的测量结果和透析内的血流动力学事件的变化

    • 生存和生命质量预测模型可以减轻对公共卫生的影响,更好的指导资源的使用

    • 预测血流动力学事件通过避免低血压、心率和容量的变异性以实时适应HD过程，从而保证HD实验的成功和整体成本效益的干预措施。

• 挑战和需要更多人工智能研究的HD领域

  • 实时监控的人工智能系统通过在HD实验中的嵌入式自动适应性反应以实现个性化治疗

  • 通过AI/ML系统和专家负责的HD实验的反馈实现两者之间潜在的相互作用，使得两个部分相互学习，为ESRD患者提供更好的决策。

  • 更多的人工智能系统将部署在HD病人护理上，这会产生规模更大的数据。应促使制定有关数据隐私、维护和共享的严格法规，以便在公共医疗保健中更安全地实施

3.2

• 实验一

  一个MLP模型使用了来自111名尿毒症患者5年PD数据库的透析前数据并证明了该方法将透析前患者分为高转运蛋白组和低转运蛋白组有效性。

  可以为尿毒症患者提供更好的治疗选择，这将改善PD患者的预后，降低发病率和死亡率。

• 实验二

  利用反向传播方法构造和训练了73-80-1节点结构的MLP，确定PD技术失败的相关因素，以便开发干预措施以减轻风险因素

• 实验三

  结合生物标记测量期间急性腹膜炎和基于支持向量机、神经网络和随机森林的特征选择方法，一项研究(包括83 PD患者腹膜炎)证实了先进的数学模型在分析复杂的生物医学数据集和强调感染部位病原体特异性炎症反应的关键途径方面的强大作用。

• 实验四

  利用CAPD患者的数据挖掘模型，提取模式，根据他们的血液分析对卒中风险患者进行分类。在最近的一项研究中，分析了850个病例的数据集，五种不同的人工智能算法(朴素贝叶斯、逻辑回归、MLP、随机森林和k-NN)被用来预测患者的中风风险。RT和k-NN预测脑卒中风险的特异性和敏感性均为95%。

3.2.1Key Message

• 人工智能的使用如何改善向PD(腹膜透析)提供的医疗服务?

  • 预防

    人工智能被用来确定PD技术失败的相关因素，指定干预措施以减轻风险因素

  • 诊断

    • 人工智能算法可以发现生物标志物特征与不同类型的感染之间的联系

    • 对早期采取适当的治疗方法以及避免易感ESRD患者的严重感染并发症有巨大的意义

    • AI通过突出PD中病原体特异性炎症反应所涉及的关键途径，为扩大病理生理机制的科学知识做出贡献

  • 处方

    通过使用人工智能，将透析前患者分为高转运蛋白组和低转运蛋白组，可以为尿毒症患者提供更好的治疗选择，这将改善PD患者的预后(根据经验预测的疾病发展情况)，降低发病率和死亡率

  • 预测

    • AI能预测流体过载等并发症,心脏衰竭或腹膜炎

    • 算法可以识别患者中风的风险,因此允许早期干预和减少PD的住院数

• 挑战和需要更多人工智能研究的PD领域

  • 人工智能可以用来识别有腹膜炎风险的患者，以降低感染风险，克服腹膜透析过程中的巨大负担

  • 在自动化PD中开展家庭远程监测的研究可以改善患者的治疗结果和对治疗的坚持

  • 展开家庭远程监控自动地进行腹膜透析

  • 对使用吸附剂技术的透析液再生制造自动化可穿戴人工肾PD装置的安全性的研究

3.3

1. 实验一

   NNs可用于预测慢性肾移植排斥反应(作者描述了对27例慢性排斥反应患者的回顾性分析，八个简单变量对排斥反应有很大影响)

2. 实验二

   一项对2005年至2011年500名患者的研究使用最大似然算法(SVM、随机森林和离散余弦变换)预测“延迟移植功能”，结果表明线性SVM具有最高的鉴别能力(AUROC为84.3%)，优于其他方法。

3. 实验三

   DTW(动态时间规整算法)用于识别一系列实验室数据中的异常模式，从而早期发现并报告与急性排斥反应相关的肌酐病程[56]。对数据库中存储的1，059，403个实验室值、43，638个肌酐测量值、1143名患者和680次排斥事件进行数据提取。通过将人工智能集成到电子患者登记系统中，可以前瞻性地评估对移植受者护理的真正影响。

4. 实验四

   在一项对257名接受KT的儿科患者进行的回顾性研究中，采用了一个经过反向传播训练的MLP，使用20个简单的输入变量来确定血清肌酐的延迟下降(移植肾功能恢复的延迟)[57]。据报道，其他模型(决策树)突出了有移植物丢失风险的受试者。

5. 实验五

   使用USRDS数据库中的数据集(来自5144名患者的48个临床变量)，开发了一个作为移植前器官匹配工具的M1软件(基于贝叶斯信念网络(BBN))。该模型可以预测第一年内移植失败，特异性为80%。

6. 实验六

   对1045名KT患者进行研究，8项ML技术接受了基于药物遗传算法的TSD()预测培训。确定了与TSD显著相关的临床和遗传因素。高血压、奥美拉唑的使用和CYP3A5基因型用于构建多元线性回归(MLR)

7. 实验七

   一项涉及129名KT患者的前瞻性研究证实，通过神经网络将多个ABCB1多态性与CYP3A5基因型结合起来，可以更准确地计算出他克莫司的初始剂量，从而改善治疗并预防他克莫司毒性。

8. 实验八

   37名KT患者被随机分为低脂标准组和地中海饮食组。对于黄斑变性组，神经网络有两个隐藏层，分别有223个和2个神经元。在对照组中，网络也有两个隐藏层，分别有148个和2个神经元。结论是在不影响血脂水平的情况下，地中海饮食对移植后患者是理想的。该报告是唯一一项评估移植后不同类型饮食优势的研究。

3.3.1Key Message

• 人工智能的使用如何改善向KT提供的医疗服务?

  • 诊断

    • AI能够通过识别一系列实验室数据中的异常模式来检测和报告急性KT排斥反应相关的早期肌酐病程，从而允许快速干预和改善KT病人的后遗症

  • 处方

    • 各种ML模型准确地预测他克莫司稳定的剂量，成功改善移植后的免疫抑制治疗和预防他克莫司毒性

    • 正确地管理免疫抑制对避免移植物丢失有着巨大作用

    • ML可以评估移植手术后不同类型的饮食的优势,可以使KT对生命质量产生积极的影响

  • 预测

    • 人工智能被用于预测移植排斥反应、“移植延迟功能”和死亡率

    • 人工智能算法可做作为移植前器官匹配工具，使得器官的分配更加合理，从整体优化KT医疗保健管理系统

• 挑战和需要更多人工智能研究的KT领域

  • 预防性的人工智能工具可以用于识别移植物排斥和移植物丢失的可变危险因素，为病人提供成功率更高的KT

  • 指导方针需要支持使用人工智能来分配器官或预测排斥反应

  • 通过将人工智能整合到电子病人登记系统中，可以很容易地对人工智能对移植受者护理的影响进行前瞻性评估

  • 我们期望在未来几年,所有肾移植程序将通过人工智能管理