基于技术的干体重管理在透析中的应用：现有证据与未来发展方向

《Kidney News Online》：Technology-Guided Dry-Weight Management in Dialysis: Current Evidence and the Road Ahead

维持透析患者等容量状态对减少并发症至关重要，但缺乏统一测量标准。临床评估结合生物电阻抗分析（BIA）、肺超声（LUS）和血容量监测（BVM）等技术可优化干体重和超滤率设定。机器学习模型通过整合动态临床数据（如生命体征、透析参数）显著提升低血压风险预测准确性（AUROC达0.89-0.94），为个性化体液管理提供新路径。

　　

维持正常血容量（euvolemia），避免过度水化或脱水，仍然是透析治疗中的关键组成部分。然而，目前尚无金标准方法来测量接受透析患者的细胞外液量（1）。在临床实践中，肾病学家试图确定最佳的干体重和超滤（UF）速率，以平衡缺血后果和液体过载并发症，这需要针对每位患者进行个性化调整，因为没有一种适用于所有情况的通用策略。体积评估的初始方法通常包括临床评估，如患者病史和体格检查。然而，这种方法在检测亚临床液体过载或准确描述液体分布方面往往灵敏度较低（2）。因此，基于技术的方法作为标准临床评估的补充手段，对于精确确定干体重具有重要意义。

最近的技术进步，包括生物电阻抗分析（BIA）、肺部超声（LUS）和血容量监测（BVM），为确认细胞外液量过多的临床怀疑提供了新的方法，并具有预后价值（1）。Wathanavasin等人（3）最近的一项荟萃分析涉及4239名透析患者，结果显示使用这些仪器可以显著改善心血管（CV）参数，尤其是脉波速度，并减少心血管事件。其中，BIA显示出最大的潜力，与其他方法相比具有额外的死亡风险降低效果。这可能归因于其相对于LUS和BVM的更高客观性，后者依赖于操作者、缺乏标准化且需要专门培训（4）。值得注意的是，该分析中包含的大多数BIA设备都是全身多频系统，因为它们将基本物理原理纳入了估算过程中，因此被认为更准确。然而，使用这些技术时，低血容量事件（特别是肌肉痉挛）的发生频率更高。这一发现表明，除了达到目标干体重外，还应强调在血液透析（HD）过程中逐步去除液体，以防止低血容量，尤其是在液体分布异常或血浆回充能力受损的患者中，例如低白蛋白血症、败血症或虚弱的患者。鉴于体积控制的复杂性和动态性，患者不可能在每次HD过程中都达到其干体重。因此，临床医生应个性化液体管理策略，并确保早期发现和干预与体积相关的透析内并发症。

展望未来，即使结合了临床和基于技术的方法，与体积相关的事件仍可能发生，因为这些方法仅提供单时间点的评估。虽然确定准确的体积目标是制定治疗目标、指导超滤和预测并发症的关键，但未来的发展方向是整合机器学习（ML）模型。这些新兴方法有望预测与体积相关的并发症，特别是透析内低血压（IDH），并提高超滤速率处方的精确度，使临床医生（如肾病学家和护理人员）能够及时干预以预防这些事件。Lee等人（5）应用了一种深度学习方法，利用来自261,647次HD会话的时间戳数据以及患者的人口统计特征、实验室结果和用药情况来预测IDH的实时风险。他们的模型准确预测了IDH，即1小时内收缩压降至90毫米汞柱以下，接收者操作特征曲线下面积（AUROC）为0.94。Zhang等人（6）的研究进一步验证了这一概念，他们利用机器学习和云计算基础设施分析了结合透析内机器数据的回顾性电子健康记录。他们的模型成功预测了IDH，在IDH事件发生前15至75分钟发出警报，AUROC为0.89。这些研究共同强调了整合动态患者数据（如生命体征和HD参数）的重要性，这些数据会随时间变化并对IDH风险产生显著影响。利用在解释复杂和大规模数据集方面表现出色的人工智能，可以为当前的基于技术的临床方法提供强大的补充。

根据这一愿景，我们提出了一种全面的干体重调整和体积管理方法，如图所示。未来的研究应继续朝着以患者个体风险状况为导向的个性化策略发展，从而进一步提高这一高风险心血管人群的安全性和治疗精度。

查看全尺寸

图：接受透析患者的体积管理演变

引用：Kidney News 18, 3; 10.62716/kn.002592025

一种综合策略，结合了传统的临床评估、静态的基于技术的辅助方法（BIA、LUS和BVM）以及新兴的动态人工智能和机器学习预测模型，用于实时风险分层。

• 下载图表
• 下载为PowerPoint幻灯片