重症监护肾病学中的人工智能：当前应用、新兴技术以及临床整合面临的挑战

《ASN Publications》：Artificial Intelligence in Critical Care Nephrology: Current Applications, Emerging Techniques, and Challenges to Clinical Integration

人工智能在重症肾脏病学中的应用显著，提升急性肾损伤预测、肾毒性监测及透析管理效率，但需解决数据异质、验证不足及监管问题，未来应加强多中心验证、整合不确定性量化与因果模型、开发医生友好界面及建立透明监管框架。

　　

摘要通俗语言总结

---

人工智能（AI），包括机器学习、深度学习、强化学习和生成式AI，有潜力通过提高预测准确性、改善诊断能力、支持临床决策和简化工作流程来推动重症监护肾病学（CCN）的发展。目前AI在CCN中的应用包括急性肾损伤（AKI）预测、肾毒性物质监测、透析期间低血压预测以及AI引导的透析和持续肾替代疗法（CRRT）管理，其性能通常优于传统模型。然而，AI对患者中心结局（如死亡率、透析依赖性和成本效益）的影响仍不确定。新兴技术，如用于校准风险估计的共形预测、用于干预建模的因果推断以及用于自适应超滤的强化学习，在提高可靠性、可解释性和个性化护理方面展现出潜力。生成式AI和大型语言模型将这些应用扩展到了临床文档记录、推理和患者教育领域，同时也带来了新的挑战，包括幻觉现象、监管监督和临床医生的信任问题。数据异质性、有限的外部验证、警报疲劳和经济限制等持续存在的障碍阻碍了AI的广泛采用。本综述综合了现有证据，并提出了推进CCN中AI发展的四个重点：1）以临床结局为重点的严格多中心验证；2）将不确定性量化与因果建模整合到AI工具中；3）开发能够减轻认知负担的以临床医生为中心的界面；4）建立透明、适应性强的监管和治理框架。要实现AI在CCN中的潜力，需要多学科合作、公平性和泛化性测试，以及将技术创新与可衡量的患者护理改进相结合的可持续实施策略。

通俗语言总结人工智能技术，包括机器学习、深度学习、强化学习和生成式AI，正在重症监护肾病学中得到应用，以改进预测、诊断和临床决策，特别是在急性肾损伤预测、肾毒性物质监测、透析期间低血压预测以及AI引导的透析和持续肾替代疗法管理等领域。尽管AI通常优于传统模型，但其对患者结局（如死亡率、透析依赖性和成本效益）的影响仍不明确。新的方法，如共形预测、因果推断和强化学习，为更可靠和个性化的护理提供了可能性。面临的挑战包括数据异质性、有限的外部验证、警报疲劳、经济限制、监管问题以及临床医生的信任问题。为了推进AI在肾病学中的发展，重点在于在多个中心验证AI工具，整合不确定性量化和因果建模，创建用户友好的界面，并建立明确的监管框架。

文本由机器生成，可能存在不准确之处。常见问题解答