A mesterséges intelligencia szerepe a vesebetegségben

Qiongjing Yuan

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

mesterséges

Haixia Zhang

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

2 Nefrológiai Tanszék, a Soochow Egyetem második kapcsolt kórháza, 1055 Sanxiang Road, Suzhou, Jiangsu 215000, Kína

Tianci Deng

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

Shumei Tang

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

Xiangning Yuan

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

Wenbin Tang

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

Yanyun Xie

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

Huipeng Ge

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

Xiufen Wang

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

Qiaoling Zhou

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

Xiangcheng Xiao

1 Nefrológiai Osztály, Xiangya Kórház, Közép-Déli Egyetem, 87 Xiangya Road, Changsha, Hunan 410008, Kína

Absztrakt

A mesterséges intelligenciát (AI), mint fejlett tudományos technológiát, széles körben alkalmazták az orvosi területeken az orvosi fejlődés elősegítésére, elsősorban a korai felismerésekre, a betegség diagnosztizálására és kezelésére. A betegek nagy száma miatt a vesebetegség továbbra is globális egészségügyi probléma. A diagnózis és a kezelés továbbra is kihívásokkal jár. Az AI figyelembe veheti az egyéni feltételeket, megfelelő döntéseket hozhat, és megígérheti, hogy nagy előrelépéseket tesz a vesebetegségek kezelésében. Itt áttekintjük a vesebetegségben alkalmazott riasztási rendszerek riasztórendszerekben, diagnosztikai segítségnyújtásban, a kezelés irányításában és a prognózis kiértékelésében végzett jelenlegi alkalmazásokat. Bár a vesebetegségben alkalmazott AI-alkalmazásokkal kapcsolatos vizsgálatok száma csekély, a klinikusok jól felismerik az AI potenciálját a vesebetegségek kezelésében; Az AI nagymértékben növeli a klinikusok kapacitását klinikai gyakorlatukban a jövőben.

Bevezetés

A vesebetegség részben a közegészségügy egyik fő problémája, a cukorbetegség, a magas vérnyomás, az elhízás és az öregedés okozta közös etiológiája miatt; ezen állapotok előfordulása növekszik. A globális betegségek, sérülések és kockázati tényezők 2015. évi tanulmánya szerint világszerte 750 millió ember szenvedett vesebetegségben 1. A vesebetegség hatalmas terhet jelent a társadalom számára. 2017-ben egy felmérés kimutatta, hogy az éves költség megközelítőleg 1205 dollár volt egy 3. stádiumú krónikus vesebetegségben (CKD3) szenvedő beteg esetében, 1963 dollár egy CKD4 egyén esetében, 8035 dollár egy CKD5 állapotban lévő személy esetében és 34 554 dollár egy hemodializált beteg esetében 2. A vesebetegség progressziójának korai felismerése és megelőzése a végstádiumú vesebetegség felé ezért jelentős jelentőségű.

Az AI a számítógéppel szimulált gondolkodási folyamatok és az emberi viselkedés tudománya, amely magában foglalja a számítástechnikát, a pszichológiát, a filozófiát és a nyelvtudományt. 2016-ban az Alphago 3-0-val profi emberi Go játékost nyert. Ez volt az első számítógépes program, amely legyőzte a Go világbajnokát, egyértelműen feltárva annak lehetőségét, hogy az AI technológiai fejlődést hoz a korszakban. A számítógépes feldolgozási teljesítmény folyamatos növekedése az elmúlt két évtizedben, a nagy adatkészletek elérhetősége és a fejlett algoritmusok fejlesztése jelentős javulásokat hajtott végre a gépi tanulásban 3 .

Az elektronikus orvosi nyilvántartások (EMR) nagyméretű és valós klinikai adatokat szolgáltatnak, ami az AI-technika fejlesztésének alapja a klinikán. Az emberek számára kihívást jelent e hatalmas adatok közvetlen elemzése; ez nem csak az emberi hibák elkerülése érdekében szükséges hatalmas idő és gond miatt, hanem az a képesség is, hogy mélyrehatóan megszerezze a betekintést vagy információt. Nyilvánvaló, hogy az AI technológiának nem párhuzamos előnyei vannak az emberekkel szemben ezeken a területeken 4. Az AI vizsgálata vesebetegségekben kezdeti szakaszban van. A meglévő szakirodalom szerint az AI funkciója vesebetegségben elsősorban négy aspektusra összpontosít: Riasztórendszerek, Diagnosztikai segítségnyújtás, Irányító kezelés és a prognózis értékelése.

Anyagok és metódusok

Adatforrás

A szakirodalom nem szisztematikus áttekintését a PubMed szűrésével végeztük 2019. augusztus 1-ig. A "mesterséges intelligencia", "gépi tanulás", "mesterséges idegsejt-hálózatok", "mély tanulás", "vesebetegség" keresési kifejezések felhasználásával., "krónikus vesebetegség", "akut vese sérülés" és "nephrológia".

Tanulmány kiválasztása

Az irodalom angol cikkekből vagy olyan cikkekből származott, amelyeket angol kivonatokkal lehetett beszerezni. Emberi adatkészlet tanulmányait vették fel. Hivatkozásokat azonosítottunk az azonosított cikkek bibliográfiáiból és a szerzők aktáiból is.

Az AI funkciója vesebetegségben: Riasztórendszerek, Diagnosztikai segítségnyújtás, Irányító kezelés és a prognózis értékelése

Riasztórendszerek

A romlás korai előrejelzése fontos szerepet játszhat az egészségügyi szakemberek támogatásában, mivel a kórházi halálozások becsült 11 százaléka a romló betegek gyors felismerésének és kezelésének sikertelenségét követi. 5 .AI gyorsan és hatékonyan képes azonosítani az információkat, felfedezni a belső kapcsolatot.

Riasztás AKI

Úgy tűnik, hogy az AI technológiának előnye van a kritikus betegségekre, például az akut vesekárosodásra (AKI) figyelmeztetésben 6. Az AKI gyakori kritikus betegség a klinikán, különösen idős és perioperatív betegeknél. Az AKI előfordulása 7-18% volt a kórházban és 50% az ICU-betegek körében 7, és évente 11% -kal nőtt 8. Az AKI meghosszabbítaná a kórházi kezelést és megnövelné a kezelés költségeit 9. Az AKI-ban szenvedő betegek nagyobb valószínűséggel haladnak végstádiumú vesebetegségbe (ESRD), mint azok, akiknek nincs AKI 10. Évente körülbelül 2 millió beteg halt meg AKI-ban. A komplikáció nélküli AKI-betegek halálozási aránya 10-30%, a többszörös szervelégtelenségben szenvedőknél 30-80% volt 11. Jelenleg az AKI diagnózisa még mindig a szérum kreatinin- és vizeletmennyiségen alapul, amelyek a korai AKI-ben nem nyilvánvalóak. A klinikusok számára nehéz felismerni az AKI-t időben 12. Fontos a potenciális AKI korai felismerése és megelőzése.

A hagyományos lineáris modellek megkövetelik a kovariánsok és a morbiditás kockázata közötti bélésviszony statisztikai feltételezését, és gyakran túlterheltek és multikollinearitásúak. A gépi tanulás megközelítéseit a statisztikai elemzésnél jobb vagy összehasonlítható prediktív képesség érdekében vezették be a posztoperatív eredmények előrejelzésére. Az AI lehetőséget kínálhat a veszélyeztetett betegek azonosítására egy olyan időn belül, amely lehetővé teszi a korai kezelést 5. 2014. június 9-én az angliai Nemzeti Egészségügyi Szolgálat (NHS) betegbiztonsági riasztásában közzétette az AKI nemzeti algoritmust, amelyben „az AKI kimutatására szolgáló automatizált számítógépes szoftveres algoritmus széles körű bevezetését és alkalmazását” javasolta 13. 2015-ben a Google kifejlesztette a Streams programot, amely megjósolhatja az AKI-t, és figyelmeztetéseket küldhet az orvosoknak a korai beavatkozáshoz 13. Ezt követően az AI alkalmazása az AKI-ban fokozatosan vonzotta a tudósok figyelmét.

Asztal 1

Összefoglalva az AI szerepét az AKI előrejelzésében

NA, nem áll rendelkezésre. pont, betegek.

Riasztás CKD

A CKD előfordulásának riasztásakor AI-alkalmazásokról is beszámolnak. E-technológiákat alkalmazó kísérleti programot végeztek a CKD kimutatására Ausztráliában (Elektronikus diagnosztika és kezelési segítségnyújtás az elsődleges ellátáshoz krónikus vesebetegségben; EMAP-CKD). A szoftver a veszélyeztetett betegek azonosítására és a CKD 21-re vonatkozó releváns szűrővizsgálat megrendelésére képzett algoritmusokra épült. .

Ezenkívül az AI-t a CKD szövődményeinek korai figyelmeztetésében is tanulmányozták. Galloway és mtsai. beszámolt arról, hogy csak 2 EKG-vezeték felhasználásával egy mélyen tanuló modell kimutatta a hiperkalémiát vesebetegségben szenvedő betegeknél, AUC 0,853–0,883. A mesterséges intelligencia alkalmazása az EKG-ra lehetővé teheti a CKD betegek hyperkalaemia szűrését. A tanulmány azonban visszamenőleges és prospektív tesztet igényel. Ezenkívül a modell alacsony specificitású szűrővizsgálat, 42% feletti hamis pozitív eredményekkel, ami szorongást és kényelmetlenséget okozhat a betegek számára. 22. Pilia és mtsai. használjon mesterséges ideghálózatot is a kálium és a kalcium extracelluláris ionkoncentrációinak rekonstrukciójához elfogadható pontossággal CKD-s betegeknél 23 .

Emellett az AI képes megjósolni a betegek költségeit és halálozását is. Lin és mtsai. azt állította, hogy az AI-modellezés alkalmazása megbízható információkat nyújthat a dialízist követő egyéves eredményekről az idős és a túlkoros populációkban. Arra a következtetésre jutottak, hogy a rákban, az alkohol okozta betegségben, agyvérzésben, krónikus obstruktív tüdőbetegségben (COPD), korábbi csípőtáji törésekben, csontritkulásban, demenciában és korábbi légzési elégtelenségben szenvedőknél magasabbak az orvosi költségek és magas a halálozási arány 24 .

Sőt, Eiichiro és mtsai. azonosította az egészséges lakosság progresszív CKD-s tényezőit egy egészségügyi ellenőrzési ponton, Bayes-hálózat és a mesterséges intelligencia segítségével. Ide tartoztak a magas vérnyomás, az idősoros változások a CKD prognosztikai kategóriájában, a proteinuria és az eGFR et al 25. Emellett Almansour et al. összehasonlította az ANN és ​​az SVM technikákat egy 400 betegből álló adatkészletben a CKD előrejelzésére a korai stádiumban. A kísérletek tapasztalati eredményei azt mutatták, hogy az ANN jobban teljesített, mint az SVM, 99,75% -os, illetve 97,75% -os pontossággal 26. Chen Z és mtsai. szintén többváltozós modelleket, azaz K-legközelebbi szomszédot (KNN), SVM-et és az osztály analógiájának puha független modellezését (SIMCA) is alkalmazta 386 beteg kockázatának értékelésére a CKD előrejelzésére. Az általános pontosság meghaladta a 93% -ot 27. Bermudez-Lopez M és mtsai. RF analízist használt arra is, hogy rámutasson, hogy az új paraméterek, például a Proprotein convertase subtilisin-kexin típus (PCSK9) nagyobb megkülönböztető képességgel rendelkeznek a betegek besorolásához a nem diabéteszes CKD csoportba 28 .

A vesekő betegséggel járó magas morbiditási arány az egyik fő gond az egészségügyi rendszerekben. Kazemi Y és mtsai. kifejlesztett egy modellt a vesekő típusának és a legbefolyásosabb paraméterek korai felismerésére 936 nephrolithiasisos betegnél. A végleges együttes alapú modell (97,1% -os pontossággal) biztonságosan alkalmazható a nephrolithiasis kialakulásának esélyeinek előrejelzésére 29 .

Míg a jelenlegi tanulmányok főként retrospektív elemzések, és az alkalmazhatóság további ellenőrzésre szorul. Sőt, arról számoltak be, hogy egy 3 változót használó ANN modell nem teljesített jobban, mint egy új regressziós modell a GFR becslés javításában 30. Ezen túlmenően az AI technológiák etikai és jogi kihívásokkal néznek szembe, amelyeket még tisztázni kell. 2016-ban a DeepMind Technologies Limited, a Google konglomerátum 100% -os tulajdonában lévő leányvállalata, az Alphabet Inc. bejelentette első nagy egészségügyi projektjét: együttműködést a Royal Free London NHS Foundation Trust-nal, hogy segítse az AKI kezelését. Kezdetben nagy lelkesedéssel fogadták az együttműködést az egyértelműség és a nyitottság hiánya miatt, a magánélet és a hatalom kérdései ugyanolyan erős kihívásokként merültek fel, mint a projekt. Végül a projektet a magánélet hiánya és a népességből származó adatállomány nagy magánkutatókhoz történő átadásához való hozzájárulás hiánya miatt leállították 31 .

Számítógéppel segített diagnózis - diagnosztikai segítség

A Computer Aided Diagnosis (CAD) az orvosi kép és a számítógépes képfeldolgozás kombinált technológiája a fókusz jellemzőinek számszerűsítésére és megítélésére, és segíthet a klinikusoknak abban, hogy időben és pontosan azonosítsák és elemezzék az elváltozásokat 32. A CAD működését sok szempontból igazolták, különösen a daganatokban, például a bőrrákban, az emlőrákban, a tüdőrákban és így tovább 33. A vesebetegséggel kapcsolatos vizsgálatok szűkösek, elsősorban a képalkotó diagnózisról és a kóros diagnózisról.

Képalkotó diagnózis

Az orvosoknak gyakran nehéz elérni a preoperatív differenciáldiagnózist a vesesejtes karcinóma és néhány jóindulatú vesetumor között a meglévő képalkotó technikák (beleértve a CT-t és az MRI-t), például az adipozitási angiomyolipoma 38 révén. A legtöbb esetben az ilyen jóindulatú daganatok csak konzervatív kezelést igényelnek. vagy nyomon követés, ezért különösen fontos a vesesejtes karcinóma és a vese jóindulatú daganatok pontos preoperatív diagnózisának elérése 39. Az automatikus mélyfunkciós osztályozási (DFC) módszer megkülönböztetheti a jóindulatú angiomyolipomát látható zsír nélkül (AMLwvf) 40, 41 és az oncocytoma 42-t a rosszindulatú vesesejtes karcinómától (ccRCC) a hasi számítógépes tomográfia (CT) képektől.

Ezenkívül a képgenomika kiegészítheti a genomikai elemzést a betegségbiológia jellemzésében azzal, hogy nagyszámú daganatos képi tulajdonságot nyer ki az AI-n keresztül, és a kép jellemzőit társítja a tumorok mögöttes mutációs státuszához, molekuláris markerekhez, mögöttes aktivált biológiai útvonalakhoz vagy klinikai eredményekhez fejlesztéssel. „Asszociációs térképek” közöttük 43, 44. Jamshidi és mtsai. konstruált egy alternatív modellt a vese tiszta sejtes karcinóma multi-gén expressziójának molekuláris detektálására képgenomika alapján CT képalkotási funkciók felhasználásával, ezáltal elérve a betegek betegséggel összefüggő túlélésének független előrejelzését inváziós módszer nélkül 45. Megállapítást nyert, hogy a tumor angiogenezis és a radiomikus képalkotási tulajdonságok közötti összefüggések PET/MRI alapján megjósolhatják a prognosztikát és irányíthatják a tiszta sejtes vesesejtes karcinóma (ccRCC) 46, 47 antiangiogén ágenseinek kezelését. A jelenlegi klinikai vizsgálatok többsége azonban egyközpontú, kis mintanagyságú, keresztvizsgálat és igazolás nélküli.

Mi több, Kuo és mtsai. azonosította a 48-as eGFR által meghatározott CKD státuszt .

A vese és a húgyúti traktus veleszületett rendellenességei (CAKUT) kihívást jelentő feladat. Előre kiképzett mély tanulási modellt (imagenet-caffe-alex) alkalmaznak az ultrahang képekből számított 3 csatornás jellemzők térképeiből történő transzfer tanulás alapú jellemzők kivonására. Az SVM osztályozókat ezután különböző jellemzőkre építik, beleértve a transzfer tanulási funkciókat, a hagyományos képalkotási jellemzőket és azok kombinációját. A kombinációs jellemzőkre épülő osztályozók AUC-értéke 0,92, 0,88 és 0,92 volt a bal, jobb és kétoldali rendellenes veseproblémák megkülönböztetése esetén a kontrolloktól 84%, 81% és 87% besorolási arány mellett; specifitás: 84%, 74% és 88%; érzékenysége 85%, 88%, illetve 86%. Azt javasoljuk, hogy a transzfer-tanulási funkciók és a hagyományos képalkotási funkciók kombinációja adta a legjobb osztályozási teljesítményt a CAKUT-betegek megkülönböztetéséhez a normál kontrollaktól ultrahangos veseképeik alapján 49, 50 .

Kóros diagnózis

Készítsen megfelelő ICD kódokat

A kórképek nemzetközi osztályozása (ICD) fontos a populáció egészsége és a kohorszfelfedezés szempontjából, ha a klinikai információk korlátozottak. Sina Rashidian és mtsai. mély tanulási módszereket használt, amelyek a demográfiai adatokon, a laboratóriumi eredményeken és a gyógyszereken alapultak, valamint a korábbi találkozások kódjait a kódoló döntéshozatalának modelljéig. Három tesztesetet vizsgáltak, beleértve az akut veseelégtelenséget (ARF) és a CKD-t, az ARF és a CKD előrejelzésének AUC-ja külön-külön 0,9194 és 0,9424 volt 55 .

Irányító kezelés

Az iránymutatások jelentik a döntéshozatal alapját, amelyeket nagyszabású vizsgálatokkal fogalmaznak meg. Ezek az irányelvek tehát népességalapúak, és kiigazításokra van szükség az egyes esetekre vonatkozó irányelvek felhasználásával. Személyre szabott és pontos kezelési protokollokra van szükség. Az AI elemezheti a betegek nagy számában a kezelési protokollok és a hatékonyság összefüggését, kidolgozhat hatékonyságon és kockázati tényezőkön alapuló modelleket, irányíthatja a kezelési protokollok megválasztását és javíthatja a klinikai hatékonyságot. A vesebetegséggel kapcsolatos kapcsolódó vizsgálatok szűkösek, főleg hemodializált betegeknél.

Vérszegénység kezelése

A vérszegénység az egyik fő gyakori társbetegség a hemodialízis alatt álló betegeknél. Az anaemia előfordulása és súlyossága fokozatosan növekszik a vesefunkció csökkenésével 56. 2016-ban a kínai dialízis eredményeinek és gyakorlati mintáinak tanulmánya (kínai DOPPS) kimutatta, hogy a CKD-ben az anaemia előfordulása 21% 57. A vérszegénység növelheti a bal kamrai hipertrófia arányát, szívelégtelenséget és miokardiális infarktust okozhat, csökkentheti az életminőséget és növelheti a halál kockázatát. A kezelési költségeket és a mortalitást az anaemia is jelentősen növelte 58. A CKD vérszegénységének fő oka az eritropoietin (EPO) termelésének hiánya 59. Az eritropoietint stimuláló szereket (ESA), amelyek kiegészítik az EPO-t és növelik a hemoglobin (Hb) szintjét, a klinikusok széles körben alkalmazzák. Az ESA-k toxicitását azonban igazolták. Az ESA-k növelnék a kardiovaszkuláris események előfordulását, a tumor progresszióját és a mortalitást 60, 61. Közölték, hogy a toxicitás a 62-es dózissal jár. Fontos, hogy minden beteg számára megfelelő kezelést találjanak minden helyzetben.

Vérnyomás- és folyadékmennyiség-szabályozás

A vérnyomás (BP) és a folyadékmennyiség kulcsfontosságú pont a hemodialízis alatt álló betegek számára. A magas vérnyomás előfordulása az ESRD-ben szenvedő betegek 40-90% -a az alkalmazott BP definíció, a kiválasztott populáció és a 69, 70 mérés időzítése szerint. A klinikusok gyakran csökkentik az extracelluláris folyadékmennyiség túlterhelését a BP szabályozása érdekében, ami növelné az intradialytikus hipotenzió előfordulását. Mind az intradialitikus hipotenzió, mind a krónikus hipertónia rossz prognózissal jár. A klinikai rendszer Az EuCliD® egy nemzetközi elektronikus egészségügyi nyilvántartó, amely lehetővé teszi a rutinszerű klinikai gyakorlatokkal kapcsolatos információk gyűjtését a kezelés helyén 71. Az ilyen rengeteg információ kiaknázásával Carlo és mtsai. 71 fejlesztett ki egy többpontos modellt, amely 2019-ben 766 000 rekord alapján jósolta a munkamenet-specifikus Kt/V-t, a folyadékmennyiség-eltávolítást, a pulzusszámot és a BP-t. A modell pontossága és pontossága biztató. A modell segíthet az optimalizált döntés meghozatalában a jelenleg korlátozott egypontos kezelési stratégiáktól eltérő, többdimenziós döntések meghozatalában.

Hordható dialízis eszközök