周鸿明 李云逸 李伟龙 宋卓恒 陈宇 曹锐 胡波 栾韶东 尹良红
1暨南大学附属第一医院肾内科,广州 510630;
2深圳市龙华区中心医院肾内科,深圳 518110
透析患者在我国已达到近88 万人,最常见于慢性肾脏病、糖尿病、高血压、系统性红斑狼疮等,以尿毒症毒素蓄积及水、电解质、代谢紊乱为特点。一旦发现尿毒症急症,如高钾血症、尿毒症性脑病,应紧急进行透析治疗,防止出现透析失衡综合征(脑水肿的神经系统症状)[1]。在全球范围内,血液透析是透析中最常用的透析方式[2]。血液透析患者时时刻刻都在背负着透析所带来的昂贵医疗费用和血液透析后不良反应的负担。随着现代科学和技术的进步,机器学习也出现在医学领域,最终为医生提供决策[3]。当然,我们也可以在血液透析上看到机器学习的身影。机器学习给我们带来了非常多的好处,特别是在血液透析患者的预后和出现并发症方面提供了帮助。机器学习的应用不仅仅帮助了临床医生对患者病情的判断,还可以在患者出现不良并发症后及时诊断和治疗。总的来说,机器学习的应用对血液透析方面的进一步发展是具有非常重要的意义。
由于技术的快速发展,人们对数据处理有了新的认识。在这种新的认识中,我们传统的数据处理方式逐渐被机器学习所取代。机器学习是指学习数据中的相关知识,并将学习到的知识应用于未知的案例[4]。机器学习与传统数据处理对比,最主要区别在于,机器学习是活的,具有一定的学习能力。由此,我们可以用机器学习比作一个优秀的学生,只需要花几分钟来分析和学习数据便可以将学习到的知识立刻用于新的情况。机器学习可以分为监督学习、无监督学习、半监督学习、强化学习,其中监督学习主要用于分类(预测属于哪种类型),无监督学习主要用于检测数据集中的模式,半监督学习则是监督学习和无监督学习两者结合,强化学习对于上述几种机器学习来说相对复杂,它是反复不断学习,并做出调整[5]。监督学习里又含有许多算法(决策树、支持向量、随机森林算法等),不同算法各有其优缺点。其中监督学习最常用的方法是决策树算法,它为非参数的,且具有可直观解释性[6]。
随着机器学习的发展,越来越多领域可以见到其身影,其中包括医学领域。机器学习可用于解剖病理学、手术、医学成像、肾脏病学等医学领域[7-10]。终末期肾脏病已成为全球严重的公共卫生问题,给患者带来了不同程度精神心理和经济负担[11]。由于患者经济和医疗水平不同,选择的肾脏替代治疗也不同,但透析的主要方式仍是血液透析[12]。我们都知道临床数据是相当复杂的,特别是血液透析的相关数据,包括血液透析前、透析中、透析后等数据,而机器学习具有处理复杂和不同数据的能力,这使机器学习成为一个非常具有潜力的工具在促进血液透析发展上[13]。
急性或慢性肾衰竭患者行血液透析前需要完成血管通路的准备。而对于需要长期进行血液透析的患者往往需要选择永久性血管通路,如主要分为自体动静脉内瘘、移植物动静脉内瘘及半永久性血管通路,如中心静脉导管[14]。血管通路为透析患者提供了一个可以透析的通路,但同样血管通路也可以成为有效和高效透析的阻碍,例如通路血栓形成、通路狭窄和导管相关的纤维上皮鞘形成[15]。那么血管通路完成后需要对血管通路进行长期监测,并及时对血管通路进行干预,减少并发症(血栓形成、狭窄等)的出现。对于自体动静脉内瘘的质量评估,我们主要选择血管血流量和血管狭窄情况作为主要指标。目前,临床上主要使用超声多普勒机对血液透析患者进行血管通路评估,但使用超声多普勒机有许多缺点,例如花费时间较长、使用较困难。Chiang 等[16]对电路和算法进行了详细设计,该文献的详细设计图见图1,利用3 种不同的机器学习算法对血液透析患者进行了临床试验(动静脉瘘狭窄程度和血流量评估),发现机器学习的支持向量机算法在这个试验中表现最为突出,且机器学习的支持向量机算法结合新型光电容积脉搏波传感器装置后,成功实现对血流量和动静脉瘘狭窄程度的高准确度评估(准确率分别为87.84%、88.61%)。或许以后临床上使用机器学习的支持向量机算法作为主要算法来完成对血管通路质量评估,避免花费时间长、使用困难等问题,还可及时进行干预和恢复通路功能,达到延长通路的使用时间。除此之外,我们在成功创建血管通路后,也可以利用机器学习作为一种工具对通路是否成功进行准确预测。Heindel 等[17]同样使用了机器学习对动静脉内瘘的成功率进行了预测,试验结果显示利用机器学习进行建模的模型性能优于肾脏病预后质量指南的超声阈值标准。这个试验还发现了影响预测动静脉内瘘的成功率最大的因素是血管流量和直径。
图1 电路和算法的详细设计[16]
在临床上,除了使用超声多普勒机来评估血管通路,还会对血管通路进行听诊来判断血管通路是否存在狭窄。但通过内瘘杂音判断内瘘是否狭窄,还取决于临床医生的经验以及能力,如果经验不足往往会错误判断该杂音为内瘘狭窄,那么此时可能需要一个客观的指标对内瘘杂音进行判断。Ota等[18]通过对透析患者的内瘘杂音进行采样,结合机器学习方法客观分析动静脉瘘音,结果表明机器学习具有高准确率(70%~93%)。此外,还有先前报道的基于机器学习,利用听诊筛查是否存在自体动静脉瘘显著狭窄的试验结果表明也具有可行性[19]。即使对内瘘杂音的判断经验不足,也可以借助机器学习做出客观分析。这些对血管通路的评估和预测,归根到底都是在为改善透析患者生活质量所努力。但这些试验有一些不足,他们的样本量较少,且均为透析患者而无健康人进行对照试验。
血液透析患者在透析过程中可能会产生许多并发症(低血压、贫血、恶心、呕吐、头痛、肌肉痉挛等),而这些并发症的产生也给临床医生和患者带来了负担。这些并发症不仅仅会使患者不愉快,也会因为未处理而导致进一步恶化最后降低患者生存质量。为此,需要在透析患者出现并发症前预测并及时纠正,才能更好改善患者预后。在血液透析过程中,临床医生十分注重患者的体液管理,体液超负荷或者容量不足都会引起不良后果(心血管事件、低血压等)。而血液透析患者的干体质量常常被用于衡量液体负荷情况的判断。Guo 等[20]基于机器学习方法,利用年龄、性别、收缩压、舒张压、体质量指数、心率和透析年限来构建预测模型,对透析患者的干体质量进行了评估预测,并将结果与通常用于临床测量干体质量的设备(body composition monitor,BCM)进行了比较,最后提出机器学习方法构建的预测模型更胜一筹。但BCM 测量干体质量不仅成本高,而且花费时间长。基于机器学习方法的试验为更好测量患者干体质量提供了一个新的思路。
在血液透析过程中,我们会监测患者的血氧饱和度和血细胞比容,防止患者出现低血压、头晕等不良反应。得益于机器学习的发展,机器学习也被用于监测透析患者的血液参数(血氧饱和度、血细胞比容),并展现出了良好的学习性能[21]。对血液透析患者监测需要频繁对患者进行血样采集,这对患者来说是非常不友好的。有研究发现血液透析患者的透析液也可以被用于快速判断是否存在贫血,这便是利用了机器学习和近红外光谱结合的方法[22]。大量研究表明,贫血与透析患者的不良预后密切相关,而及时发现透析患者是否存在贫血对患者的生活质量来说是相当重要的。除此之外,机器学习还在预测血液透析患者血清白蛋白水平、血压情况、肌肉减少症、血管钙化情况上均表现出了巨大的潜力[23-26]。机器学习的大量和广泛应用有助于临床医生早期识别和诊断透析患者的并发症,最终提高透析患者生活质量。
临床医生都会对血液透析后的患者进行评估,判断血液透析是否充分,血液透析充分与不良反应有关,甚至影响患者的预后和生存质量。通过测量尿素清除指数(effective urea clearance time∕volume,Kt∕V)来判断血液透析是否充分是判断血液透析充分性的常用指标[27]。测量Kt∕V 不够方便、简洁,需反复对患者进行抽血分析。Du 等[28]开发了基于机器学习方法来预测血液透析充分性的模型,该文献模型图见图2,结果表明该模型的预测结果接近临床方法。这个使用机器学习建立的模型无疑是快捷、有效的,且减少了对患者抽血的次数。
图2 TSK-FS的框架图[28]
人工智能是研究如何在计算机上实现部分人类智能的学科:研究让计算机如何表示并储存知识,如何接受外部信息以及依据知识对外部输入信息进行分析及反馈调节[29-30]。大量研究表明,长期进行血液透析的患者最主要的死亡风险是心血管并发症。近年来,已经有许多基于机器学习方法对透析患者进行死亡风险评估的模型被开发出来。而这些研究也有助于我们找出与死亡有关的更重要因素,并及时纠正,达到改善患者预后作用。Garcia-Montemayor等[31]利用经典的逻辑回归和基于机器学习(如随机森林)构建模型预测血液透析患者的死亡率,结果表明机器学习构建的模型比逻辑回归更佳,且发现基于机器学习影响6个月和1~2年病死率的主要变量是血清白蛋白、Kt∕V。Yang 等[32]也通过结合机器学习方法对血液透析患者进行病死率风险评估,发现机器学习在预测病死率上有更大优势,提出年龄、 糖尿病、血红蛋白、血清白蛋白、血清肌酐、血清钾、Kt∕V 和心胸比可能会增加患者死亡风险。这些研究进行交集我们会发现血清白蛋白、Kt∕V 是影响血液透析患者病死率的主要因素。密切关注患者血清白蛋白、Kt∕V 指标并做出早期诊断和干预对延缓血液透析患者到达结局具有非常重大意义。当然,除了这两个指标,我们也应善于发现其他可能影响病死率的指标,并及时做出诊断和改善,这样可以做到改善患者预后,例如在透析过程中,通过对超滤量、脉搏、心率、呼吸和血压的监测,智能化反馈调节透析剂量,可明显降低透析并发症和病死率。此外,还有一些研究同样表明结合机器学习方法在预测透析患者病死率上取得进展[33-34]。
总之,机器学习已经广泛应用于各个领域,特别是在血液透析的血管通路、并发症、预后的发展上都获得了令人满意的结果[35]。机器学习的发展对血液透析的研究进展是促进的,同样对改善医疗保健服务具有重要意义。机器学习也有许多不足之处,例如机器学习是使用电子健康记录中可用的数据来进行构建模型和分析的,如果数据缺失或者数据记录不准确,结果会截然不同。虽然在机器学习发展过程中会出现各种不同的错误,但可以确定机器学习的应用可以优化患者的护理,提出精准疗法,减少医疗错误,并最终改善患者预后[36]。尽管未来还没到来,但已知机器学习在血液透析方面有着非常大的潜力。目前,机器学习是一个不错的工具,或许未来可以得到大量的应用,为血透室的医生和护士提供帮助,最终达到改善血液透析患者生存质量的目标。
作者贡献声明周鸿明:起草文章;
李云逸、李伟龙:起草文章,指导;
宋卓恒、栾韶东:对文章的知识性内容作批评性审阅,指导;
陈宇、曹锐、胡波:对文章的知识性内容作批评性审阅,指导;
尹良红:对文章的知识性内容作批评性审阅,获取研究经费,指导,支持性贡献
扩展阅读文章
推荐阅读文章
老骥秘书网 https://www.round-online.com
Copyright © 2002-2018 . 老骥秘书网 版权所有