《Renal Failure》：Comparison of an AI-enabled single-lead ECG monitor and point-of-care testing for detecting intradialytic hypokalemia
编辑推荐：
背景：透析中低钾血症（intradialytic hypokalemia）是维持性血液透析（maintenance hemodialysis, MHD）中未被充分认识的一种并发症。尽管即时检验（point-of-care, POC）可提供快速的生化确认，但其受
背景：透析中低钾血症（intradialytic hypokalemia）是维持性血液透析（maintenance hemodialysis, MHD）中未被充分认识的一种并发症。尽管即时检验（point-of-care, POC）可提供快速的生化确认，但其受间歇性检测的固有局限。人工智能（artificial intelligence, AI）赋能的心电图（electrocardiography, ECG）为趋势监测提供了一种潜在的无创替代方案；然而，其在MHD中相较于POC检验、以中心实验室为金标准的性能尚未被比较。方法：本单中心前瞻性研究比较了MHD期间的AI-ECG血钾估算与POC检验。算法在45例患者（2021—2022年）的ECG-血钾配对数据上训练，并在29例患者（2023年）中测试。同步的实验室-POC-ECG三联配对数据支持直接比较，以中心实验室检测作为参考标准。结果：AI-ECG模型在非低钾范围内达到较高准确度（平均绝对误差（mean absolute error, MAE）为0.479 mmol/L），但在低钾血症期间预测方差扩大（MAE为1.000 mmol/L）。POC检验表现出最高的实验室一致性（MAE 0.201 mmol/L；ρ = 0.977）。在低钾血症筛查方面，AI-ECG模型保持了良好的判别性能（曲线下面积（area under the curve, AUC）为0.722），并伴有高灵敏度（77.9%）和稳健的阴性预测值（83.2%）。POC检验在诊断判别上显著优于AI-ECG模型（AUC 0.996 vs. 0.722；ΔAUC 0.274；p < 0.0001）。结论：AI-ECG模型在可靠的非低钾追踪之外，展现出初步的低钾血症筛查潜力。尽管POC检验仍是即时分析精度上的优越模态，AI-ECG为透析中趋势监测提供了一种无创方法。然而，其改善临床结局或安全减少侵入性检测的能力需要正式的前瞻性决策影响研究来验证。
研究背景：终末期肾病（end-stage renal disease, ESRD）患者因肾脏排泄受损，钾稳态频繁被破坏。高钾血症通常发生在血液透析（hemodialysis, HD）间期，而治疗期间钾的快速清除可骤然触发透析中或透析后低钾血症。该并发症在常规临床实践中被严重低估，却具有重要的临床意义，可诱发肌无力、室性心律失常和心源性猝死。HD期间血清钾浓度的快速下降与全因死亡率和心血管死亡率升高独立相关，其机制可能由急性电生理不稳定和致心律失常性增强所驱动。因此，亟需个体化监测策略和精准的透析液钾选择以减轻这些隐匿风险。传统上血清钾通过HD前后间歇性实验室检测监测，虽准确但无法捕捉治疗全程的动态波动，也不能为临床团队提供实时反馈。POC检验提供了更快速的床旁替代方案，但本质上仍是间歇性的，需要反复侵入性采血并产生累积运营成本；频繁POC测量资源密集、高度依赖操作者技术并受分析前变异影响。因此，非侵入性、能够估算透析中动态血钾趋势的监测方案仍存在明确的临床空白。低钾血症可诱发特征性ECG改变，包括T波低平或倒置、显著U波、ST段压低和PR间期延长，但这些经典宏观标志在相当部分透析人群中常缺失或细微，手动ECG判读灵敏度欠佳且观察者间变异大。AI和机器学习的最新进展为近实时血钾估算提供了有前景的路径，通过识别与钾波动相关的细微、亚视觉ECG特征，AI算法可高精度估算血清浓度。将此项技术整合到标准透析工作流程中可实现早期趋势检测，使临床医生能够实时主动调整透析液处方或临床干预。本研究假设基于机器学习的单导联ECG信号分析可有效筛查和排除透析中低钾血症，旨在训练和测试AI模型以无创估算MHD患者的血清钾浓度，并随后以中心实验室标准为参照，比较其与POC检验的诊断性能。
研究人员开展的研究及结论与意义：研究人员开展了一项单中心前瞻性研究，纳入2021年6月至2023年12月在区域教学医院接受中心MHD的ESRD患者。研究遵循《赫尔辛基宣言》并经机构审查委员会批准。纳入标准为18岁及以上、接受每周三次、每次4小时碳酸氢盐HD至少三个月并使用高通量透析器和Toray TR-8000机器的成人。排除心肌梗死、冠状动脉旁路移植术、起搏器植入或心房颤动病史者，以及服用显著改变基线心脏传导药物者。为精确采样并减轻通路再循环风险，采用严格的标准化透析中采血方案：夹闭抗凝管路、暂停透析液流3 min、采血前将血流速降至100 mL/min持续15 s。血清钾由中心实验室使用自动化学分析仪（DxC 700 AU, Beckman Coulter）测定，并通过实验室评估样本溶血排除假性高钾血症。POC血钾从肝素化全血样本使用动脉血气分析仪（pHOx Ultra, Nova Biomedical）同步测定。低钾血症定义为中心实验室验证的血清钾浓度低于3.5 mmol/L。单导联ECG信号使用便携式患者监护仪（IntelliVue MP5, Philips）从每次HD开始至结束持续记录。数字化波形经DS-600上传网关（ACE Biotek, Taiwan）传输至安全网络服务器。预处理流程采用带通滤波器消除低频基线漂移和固定频率工频干扰，随后采用基于离散小波变换的去噪算法抑制不规则高频噪声同时保留核心心脏形态。特征提取时，在检测到的每个R波峰前后各取250个数据点的窗口，所有提取段降采样至标准化100 Hz频率。以T波斜率和振幅为重点训练下游机器学习分类和回归模型。为实现精确时间对齐训练，研究人员实施了新颖的时间对数插值框架，以对数函数建模透析时间与归一化钾浓度的关系，生成连续高分辨率生理标签。算法训练数据集包括45例2021年6月至2022年12月接受MHD的患者，中心实验室数据在周中透析期间每两周收集一次，于HD开始前、120和180 min及治疗结束时四个特定间隔从透析管路采血。独立前瞻性测试数据集于2023年1月至12月建立，涉及29例与训练队列完全不同的连续患者，中心实验室数据在透析前后两个采样点每月收集。全部29例测试队列患者均纳入比较数据集并接受额外POC血钾测量。机器学习框架以Python（3.10.11版）实现，采用轻量梯度提升机（Light Gradient Boosting Machine, LightGBM）架构。研究结论表明，AI-ECG模型在可靠的非低钾追踪之外展现出初步的低钾血症筛查潜力；尽管POC检验仍是即时分析精度上的优越模态，AI-ECG为透析中趋势监测提供了一种无创方法；其改善临床结局或安全减少侵入性检测的能力需要正式的前瞻性决策影响研究来验证。该研究的重要意义在于首次在MHD人群中开展POC检验与AI-ECG估算针对中心实验室参考的头对头诊断比较，为无创电解质监测的临床转化提供了直接证据。
关键技术方法：研究采用单中心前瞻性队列设计，训练队列45例（2021—2022年）与独立测试队列29例（2023年）均来自区域教学医院接受中心MHD的ESRD患者，比较数据集为测试队列全部29例的231个同步实验室-POC-ECG三联配对时间点。核心技术方法包括：单导联ECG连续采集与信号预处理（带通滤波、离散小波变换去噪、R波峰前后250数据点窗口特征提取并降采样至100 Hz，聚焦T波斜率与振幅形态特征）；时间对数插值框架生成高密度配对训练标签；基于LightGBM架构的机器学习回归与分类模型开发；以中心实验室自动化学分析仪为参考标准、动脉血气分析仪同步POC测定进行头对头比较；采用受试者工作特征曲线分析及患者层面整群自助法（2000次重采样）估计置信区间与组间AUC差异。
研究结果：
研究队列描述与患者特征：共分析来自74例患者的282次HD会话，患者平均治疗次数为17.4 ± 10.1次；训练数据集患者平均21.3 ± 10.8次治疗，测试数据集平均11.3 ± 5.1次。低钾血症患病率在训练集、测试集和比较集中分别为35.4%、32.3%和41%。动态曲线拟合前训练数据集包含3,836对实验室血钾-ECG测量，应用归一化时间对数血钾估算框架后成功生成含107,954个时间对齐配对血钾-ECG数据点的高密度训练矩阵。独立前瞻性测试数据集包含495对测量。训练与测试队列间无显著基线人口学或临床差异。通过前瞻性队列设计与配对数据采集得出两队列基线可比的结论。
ECG模型在测试队列中的性能：在完整前瞻性测试队列中，AI-ECG回归模型与中心实验室参考标准呈现中等程度的总体连续一致性，平均差异为0.417 mmol/L（95% CI: 0.293–0.541 mmol/L），95%一致性界限范围为?0.871至1.704 mmol/L。连续预测误差随钾浓度显著变化，绝对低钾血症期间差异（MAE = 1.078 mmol/L）明显高于非低钾血症（MAE = 0.401 mmol/L）。对于二分类低钾血症筛查，AI-ECG回归模型的连续预测显示中等诊断判别力，AUC为0.713（95% CI: 0.618–0.799）。专用AI-ECG分类模型在67.6%（95% CI: 53.2–81.1%）的操作特异性下达到78.5%（95% CI: 67.1–88.2%）的灵敏度和86.8%（95% CI: 79.8–92.9%）的临床可安心阴性预测值。通过前瞻性测试队列的回归与分类分析得出模型在非低钾范围精度较高而低钾期间预测方差增大的结论。
与POC检验的头对头比较：直接比较分析限制在相同同步时间点（实验室-POC-ECG三联配对）。测试队列495对实验室-ECG配对中231个时间点包含同步POC测量（88个低钾事件，38.1%）。在该同步三联配对子集中，AI-ECG回归模型的连续血钾预测相对中心实验室标准的平均差异为0.454 mmol/L（95%一致性界限?0.840至1.748 mmol/L）。尽管绝对低钾状态下预测方差增加（MAE为1.000 mmol/L），算法精度在非低钾范围内提高（MAE为0.479 mmol/L）。回归模型表现出显著负比例偏倚（斜率?0.773，95% CI: ?0.831至?0.718；p < 0.001），在实验室标准3.0 mmol/L时高估血清钾1.111 mmol/L，在5.0 mmol/L时低估0.434 mmol/L。以配对平均钾为横坐标的敏感性分析证实了该方向性偏倚，斜率为?0.928（95% CI: ?1.049至?0.811）。相比之下，POC测量与中心实验室值呈现最紧密一致性，平均差异为0.179 mmol/L（95%一致性界限?0.115至0.474 mmol/L），强相关（ρ = 0.977），总体MAE为0.201 mmol/L。对于二分类低钾血症筛查，AI-ECG回归模型的连续估算达到中等诊断判别力，AUC为0.722（95% CI: 0.639–0.795）。专用AI-ECG二分类模型保持77.9%的灵敏度和临床可安心的阴性预测值。POC检验表现出近乎完美的诊断判别力（AUC 0.996），显著优于无创AI-ECG模型（ΔAUC = 0.274，95% CI: 0.200–0.356，Z = 6.74，p < 0.0001）。通过同步三联配对数据的头对头比较得出POC在分析精度和诊断判别上显著优于AI-ECG而AI-ECG保持中等筛查能力的结论。
讨论部分总结：本研究中单导联AI-ECG模型对无创血清钾估算和低钾血症筛查展现出临床有意义的诊断价值。尽管算法预测精度在非低钾范围优化，其在识别低钾血症方面保持高灵敏度（77.9%）和稳健阴性预测值（83.2%），凸显其作为高危电解质快速波动人群无创筛查工具的初步效用。与AI模型相比，POC检验在MAE和实验室紧密一致性方面保持技术优越性，但无创AI-ECG方法为生理趋势监测提供了有前景的无血框架，可作为间歇检测的潜在辅助策略。基于标准12导联ECG训练的AI模型已展示出色诊断性能，但12导联框架向常规HD护理的转化受结构限制——多小时治疗期间使用全套12导联设备连续监测在后勤上具有挑战性、对临床人员高度劳动密集且对患者身体限制大，因此亟需简化单导联监测系统。单导联和有限导联ECG系统在HD环境中具有无创、部署简单、适合连续监测的明显优势。本研究模型保持稳健判别能力（AUC 0.722）和相当灵敏度（77.9%），相对温和的特异性（67.7%）可能反映MHD患者常见复杂心血管表型（如晚期结构性心脏病、左心室肥厚和慢性细胞内电解质适应）可减弱或混淆单导联向量中细微的钾依赖性复极变化。将无创监测模型转化为常规临床工作流程需解决真实世界信号采集挑战，包括患者移动、汗液导致电极松动和血泵电磁干扰。POC血钾检测在需要快速电解质评估以指导即时临床干预时必不可少。本研究中POC设备与实验室测量呈现更强一致性（MAE 0.201 mmol/L），其低钾血症分类诊断性能优异（AUC 0.996，灵敏度98.7%），强化其作为床旁常规实验室检测可靠替代的作用。POC相较AI-ECG模型的优越准确性从根本上是可以预期的，因为POC系统直接量化全血生化，而机器学习模型通过电生理变化间接估算血钾，后者本质上更易受MHD患者常见混杂因素影响。本研究中连续回归模型在低钾范围系统性高估钾浓度而在高钾水平低估，临床上真实低钾时的高估构成关键安全顾虑，虚假升高的预测可能提供不当 reassurance 并延迟确认性采血或及时电解质补充。从转化角度看，两种模态呈现高度不同且互补的优势：POC系统涉及显著反复耗材成本并需工作人员时间采血，频繁测量资源密集；AI-ECG分析提供经济可扩展的自动生理监测框架。因此临床工作流程应将二者整合为分层安全协议而非竞争替代：利用优化高灵敏度的专用二分类算法标记潜在事件，将连续AI-ECG作为计划采血间的辅助趋势监测工具，并在治疗干预前强制要求POC或中心实验室确认。本研究主要优势在于其新颖性——首次在MHD人群中针对中心实验室参考评估POC检验和AI-ECG估算的头对头诊断比较。局限性包括：单中心研究样本量适中可能限制普适性；ECG衍生钾估算本质上易受透析患者常见合并症混杂而降低特异性；观察方案未记录透析液钾浓度，而血清-透析液钾梯度是心肌钾通量的主要决定因素；特征工程聚焦T波形态而非动态QTc追踪；测试队列参考钾值仅在透析前后时间点获取，会话中期轨迹转换和快速电解质转移期间连续模型预测的分析精度未获独立验证；研究队列严重低钾血症（<2.5 mmol/L）患病率极低，无法评估ECG模型在该极端范围的诊断性能。研究结论翻译：AI赋能单导联ECG模型展现出透析中低钾血症的初步筛查潜力以及正常血钾期间合理的估算性能。虽然中心实验室检测和POC检验对于确定分析精度和急性临床决策仍不可或缺，该AI-ECG方法为透析中趋势监测提供了无创框架。未来需要纳入会话内采样和临床决策影响评估的前瞻性多中心试验来确认无创电解质监测在MHD中的普适性和真实临床效用。
