负责任地利用人工智能来改善肾脏护理：美国肾脏病学会的声明

《ASN Publications》：Responsible Use of Artificial Intelligence to Improve Kidney Care: A Statement from the American Society of Nephrology

AI在慢性肾脏病、急性肾损伤、透析及移植中的应用与挑战，提出以患者利益为核心、临床医生主导的AI责任框架，强调数据整合、公平性、透明度及伦理问题，需结合机器学习与深度学习优化诊疗流程。

　　人工智能正在迅速改变肾脏病的诊疗方式，通过预测分析、机器学习、深度学习和生成式AI等技术，为慢性肾脏病（CKD）、急性肾损伤（AKI）、透析和移植等领域的患者管理提供新的工具和方法。这一变革不仅提升了医疗效率，还为实现更精准、个性化的治疗方案提供了可能。然而，AI技术在肾脏病领域的应用仍面临诸多挑战，包括数据质量、公平性、透明度以及临床整合等问题。为了确保AI在医疗中的负责任使用，美国肾脏病学会（ASN）成立了AI工作组，旨在为肾病专科的AI应用制定一个框架，并推动AI在临床实践中的合理整合。

AI在肾脏病管理中的应用潜力巨大，尤其是在CKD的早期诊断和风险预测方面。传统的CKD筛查方法往往依赖估算肾小球滤过率（eGFR），尽管有大量证据支持采用尿蛋白-肌酐比（UACR）等更精确的指标进行诊断，但在实际临床工作中，许多国家的筛查率依然偏低。这不仅限制了疾病的早期干预，也影响了治疗效果。而AI通过整合和分析患者数据，能够更准确地识别高风险人群，从而促进更及时的干预措施。例如，Klinrisk模型利用国际实验室数据，通过分析血常规、代谢面板和尿蛋白-肌酐比等数据，准确预测CKD的进展。类似的模型还包括KidneyIntelx，它结合了临床数据和特定的生物标志物，提高了对糖尿病肾病的早期识别能力。这些模型的临床应用不仅改善了检测流程，还推动了更符合指南的治疗方案。

在AKI的管理方面，AI同样展现出重要价值。AKI的诊断通常依赖于血清肌酐水平的升高，这一变化往往发生在肾小管损伤后的数小时至数天内，导致临床干预的延迟。传统回归模型在预测AKI方面具有一定效果，但在复杂和异质性较高的临床环境中，AI模型通过实时分析患者的肌酐趋势、尿量、生命体征和合并症等数据，能够更早、更准确地识别高风险患者。此外，AI还能够支持动态风险分层，使临床医生能够在患者病情变化时做出更及时的决策。例如，AI系统可以推荐基于证据的干预措施，如调整液体平衡或避免肾毒性药物，从而减轻医生的负担，使其能够专注于关键决策。同时，AI还可以提供更直观的趋势可视化和预测模型，帮助医生更好地理解患者的肾脏功能变化。

在透析护理领域，AI的应用同样具有广阔前景。透析过程涉及大量标准化数据，如治疗参数、生物信号和患者人口统计学信息，这些数据为AI模型的开发提供了丰富的基础。AI已经在优化治疗方案、预测并发症和提供决策支持方面取得了一定成果。例如，AI驱动的贫血控制模型能够精准推荐促红细胞生成素刺激药物的剂量，从而提高血红蛋白达标率并减少药物使用。此外，AI还被用于预测透析过程中的低血压等常见并发症，通过整合透析前后的数据，帮助医生提前采取措施。与此同时，AI还能处理非传统数据，如超声图像、音频信号和可穿戴设备采集的生理数据，为血管通路并发症的早期识别和患者居家监测提供支持。例如，利用AI分析超声图像可以发现血管通路异常，如动脉瘤，而AI对透析机音频的实时分析则有助于优化治疗流程。在教育方面，大型语言模型（LLMs）能够帮助医生处理大量非结构化数据，如临床笔记和患者教育材料，从而提升培训效率和患者沟通质量。通过AI生成的个性化学习计划，医学培训可以更加精准，满足不同学员的学习需求。

在肾移植领域，AI的应用也在逐步展开。移植过程涉及复杂的决策，包括器官匹配、患者选择和术后管理。AI可以通过整合多种数据，如供体和受体特征、免疫学和组织病理学数据、遗传信息以及长期预后，提供更精确的预测模型和匹配工具。例如，一些研究利用机器学习算法优化供体-受体匹配，提高移植成功率。此外，AI还能用于预测术后并发症，如移植物失功和糖尿病的发生，从而帮助医生制定更精准的免疫抑制治疗方案。然而，AI在肾移植中的应用仍面临数据不足、模型泛化能力有限和伦理问题等挑战。由于肾移植数据相对较少，AI模型在不同人群和地区的适用性可能受到限制。此外，AI在器官分配中的使用可能引发公平性问题，例如是否会导致某些群体在移植资源分配中处于不利地位。因此，必须确保AI模型在设计和实施过程中充分考虑公平性和透明性。

在医学教育方面，AI也展现出独特的价值。传统的肾病专科培训方式存在一定的局限性，如教学内容不够系统化、缺乏个性化学习路径以及未能充分融入新兴技术。AI能够整合多样化的教学资源，如最新的研究文献、临床案例和实时数据，为学员提供更丰富的学习体验。例如，AI可以协助教师总结和解读最新的研究成果，为讲座和学习材料提供支持。同时，AI还能用于模拟手术操作和疾病进展，为学员提供沉浸式的学习环境。此外，AI生成的讨论点有助于促进学术交流，尤其是在临床研究讨论会中，可以激发更深入的分析和思考。然而，AI的使用也带来了一些挑战，例如学员可能过度依赖AI生成的内容，从而影响其独立思考和学术诚信。因此，医学教育机构需要制定明确的使用规范，确保AI工具在教学和研究中的合理应用。

AI在医疗领域的广泛应用也引发了关于效率、成本、劳动和法律方面的讨论。生成式AI在处理非结构化文本方面表现出色，能够快速提取、总结和重述信息，这在电子病历（EHR）文档生成、患者沟通和行政管理等方面具有重要价值。例如，AI可以辅助医生撰写病历、回复患者信息或起草保险预授权申请，从而减轻他们的文书负担。然而，这些工具的使用效果仍需进一步验证，一些研究表明，尽管AI能够降低医生的认知负担，但其在时间节省方面的效果有限。此外，AI的引入可能影响医疗行业的劳动结构，尤其是对行政人员和护理人员的工作内容产生替代效应。随着AI技术的不断发展，一些职位可能面临减少或改变的风险，这需要医疗机构提前规划，确保AI的引入不会导致技能退化或人员流失。同时，AI在处理患者数据时也涉及隐私和法律问题，例如在训练模型时是否使用了患者的敏感信息，以及这些信息的使用是否符合相关法律法规。因此，医疗机构需要在确保AI准确性和患者隐私的前提下，合理使用这些技术。

综上所述，AI在肾脏病管理中的应用潜力巨大，涵盖了从疾病筛查到治疗优化、从患者教育到医学培训等多个方面。然而，要实现AI的广泛和负责任应用，必须克服数据质量、公平性、透明度和临床整合等关键挑战。同时，AI的使用需要与医生的临床决策相结合，确保其在提升医疗效率的同时，不会削弱医生的专业判断和患者的人文关怀。此外，AI在医学教育中的应用也需谨慎，既要充分利用其优势，又要避免学术诚信问题和学员技能退化的风险。未来，随着技术的不断进步和政策的逐步完善，AI有望在肾脏病领域发挥更大作用，推动医疗体系向更精准、高效和公平的方向发展。