連續性腎臟替代治療（continuous renal replacement therapy，CRRT）是危重癥患者主要的救治手段之一。隨著信息技術的發展，CRRT的信息化、智能化建設受到重視，在工作流程、教學培訓、科學研究等方面促進了CRRT領域的發展。依托于CRRT產生的大量數據，人工智能有望逐步應用于CRRT的精準治療、質量控制，輔助判斷重癥AKI的CRRT干預時機和預后，最終改善危重癥患者的救治效果。該文就CRRT的信息化建設以及人工智能的研究進展予以綜述，供腎臟病、重癥醫學、急診醫學等相關領域從業人員參考。
引用本文： 趙宇亮, 韋偉, 張凌, 付平. 連續性腎臟替代治療的信息化及人工智能. 華西醫學, 2022, 37(7): 1066-1069. doi: 10.7507/1002-0179.202206031 復制
連續性腎臟替代治療（continuous renal replacement therapy，CRRT）是重癥患者的重要救治手段之一。隨著CRRT設備功能不斷完善、治療模式日益豐富，CRRT已經逐漸超出了單純“腎臟替代”的應用范疇，發展為一系列集成化、整合性的器官支持和血液凈化方法[1-2]。近10年來，信息技術的發展日新月異，人工智能在醫療領域獲得廣泛應用[3]。CRRT的精準治療、質量控制在信息技術和人工智能的輔助下變得更加完善，CRRT教學培訓也更為高效便捷。本文將綜述CRRT的信息化建設以及人工智能的研究進展，供腎臟病、重癥醫學、急診醫學等相關領域從業人員參考。
1 CRRT工作流程的信息化
CRRT的治療位點常常分散在全院各個科室。醫生和護士在查房、巡回的過程中，需要動態實時地觀察患者、機器的相關參數，以保證治療的及時性和安全性。既往，CRRT醫護人員往往就近登錄電腦查閱相關資料，填寫護理記錄需要書寫紙質材料，較為耗時耗力。四川大學華西醫院腎臟內科CRRT團隊聯合IT工程師開發了“CRRT數據處理及智能反饋系統”，實現了以下功能：① 從醫院信息系統（hospital information system，His）自動獲取基本診療信息；② 自動化電子監測裝置獲取體外循環壓力及床旁學血氣分析結果；③ 電子醫囑和護理記錄通過終端實時下達書寫；④ 患者檢查結果和機顯參數通過終端隨時查閱。據統計，該系統可自動獲取66%的相關信息，極大地減輕了臨床工作負擔[4]。
一項回顧性研究分析了四川大學華西醫院2018年6月—2020年5月期間CRRT臨床護理耗時，每例患者經人工錄入床旁血氣分析及護理記錄，平均共需花費（824±81）s，而通過信息化自動抓取錄入僅需耗時（263±28）s，兩者比較差異有統計學意義（t=29.31，P<0.001）[4]。CRRT臨床工作流程的信息化，有助于打通患者端、CRRT機器端、醫生端、護士端的信息壁壘，實現CRRT各環節的高效銜接，提升工作效率，保障治療安全。有學者分析了CRRT機器每分鐘記錄的濾器前壓、跨膜壓、濾器后壓等機顯數據，認為計算機自動化監測CRRT管路壓力數據是切實可行的，能夠為濾器凝血提供預測信息[5]。
2 CRRT醫療教學的信息化
CRRT作為一項平臺性的血液凈化技術，吸引了來自不同科室、不同學科背景的醫護人員參與輪轉或進修。如何在繁忙的臨床工作之余高效的開展教學活動，是CRRT教學所面臨的挑戰。借助平板式移動數據終端，CRRT醫療小組可以在查房的過程中，因時因地方便地進行案例教學和討論。此外，CRRT醫師學員不僅參加日常的靜脈置管、開具醫囑、評估血氣、溝通協調工作，還會定期參加醫（生）護（士）工（程師）聯席會議，共同討論CRRT電子數據系統的不足和缺陷，從醫療服務提供者和電子系統使用者的角度提供反饋意見，同時也加深對CRRT各板塊運行底層邏輯的理解[6]。
CRRT進修護士培訓既往采用傳統的跟班帶教模式，該模式的優點是進修護士全程有本院護士進行指導，醫療安全性有保障；缺點則在于學生缺乏獨立應對臨床突發情況的能力，個人成長較慢。在信息化教學模式下，進修護士經過初期勝任力考核后，即可獨自值班，同時由本院護士通過CRRT數據系統和移動終端全程對進修護士所值守的CRRT機位進行遠程指導和監控，一旦發現進修護士難以處理或處理不當的情況，即刻介入干預。這樣既滿足學員獨立訓練的要求，又保障了臨床安全。在一項納入112名CRRT進修護士的對照研究顯示，上述信息化的教學模式在CRRT進修護士帶教中取得了良好的效果，有利于提高CRRT進修護士的崗位勝任能力[7]。
3 CRRT科研數據的信息化
CRRT的信息化建設同樣有助于科研數據的高質量采集。人工記錄科研數據存在下列不足之處：① 準確性較差：信息的數值、時間、條目可能存在錯記、漏記；② 工作量大：醫護人員臨床業務繁忙，沒有時間對大量臨床數據進行整理，事后進行回顧性收集則可能出現回憶偏倚、信息收集不全等問題；③ 敏感性不高：對于一些非顯性的參數變化，比如體外循環的一過性壓力變化，難以經人工進行敏感地識別，造成科研參數的遺漏。CRRT數據系統的信息化建設，能有效解決人工科研記錄的準確性差、工作量大、敏感性低等問題，有助于挖掘CRRT臨床工作中產生的大數據資源，為進一步的科學研究奠定堅實的基礎。以四川大學華西醫院腎臟內科為例，在CRRT信息化系統的支撐下，血液凈化亞專業護理團隊2021年度發表科研論文數量較2020年增加 1 倍[4]，體現出CRRT數據信息化的獨特優勢。
此外，CRRT信息化建設還為多中心研究鋪平了道路。一旦CRRT數據系統得以標準化，各個單位能夠方便的共享CRRT患者信息并開展研究設計，最終高效地實現多中心的虛擬隊列研究或橫斷面研究[8]。
4 人工智能應用于CRRT的精準治療和質量控制
在傳統的CRRT治療模式下，醫生需要自行查閱整理來自于His系統、患者、CRRT機器等板塊的信息，開具醫囑交由護士執行（圖1a）。2016年，急性透析質量倡議專家共識提出：精準CRRT是重癥血液凈化領域未來的發展方向[9]。“精確CRRT”強調基于個體層面，而非群體層面，對CRRT技術和循證證據的科學應用。在精準CRRT的過程中，治療方案隨著患者疾病狀態而動態變化，對患者治療劑量、血管通路狀態、體外循環血流動力學、抗凝效果等參數的實時評估就顯得尤為重要。未來CRRT的模式依賴云端存儲技術和人工智能算法，計算機自動匯總并分析CRRT機器、患者、His系統的信息，自動化產生處方建議，經醫生審核授權后，由護士監測機器執行，最終形成閉合的處方反饋環路，實現精準動態的CRRT處方調整（圖1b）[10]。
圖1
傳統和智能化CRRT工作模式的比較
a. 傳統CRRT工作模式（醫生整合His系統數據、患者生命體征、CRRT機顯數據，向護士下達醫囑，護士執行）；b. 智能化CRRT工作模式（計算機動態整合His系統數據、患者生命體征、CRRT機顯數據，提出處方建議，由醫生評估授權、護士床旁監控下CRRT機器自動調整）
CRRT領域目前尚缺乏普遍認可的質控標準。有學者認為可考慮的參數包括：處方劑量和達成劑量、治療中斷時間、管路壽命、小分子溶質清除率、死亡率等[11-12]。例如，有研究單位通過建立CRRT設備智能監測反饋系統和設備數據云傳遞系統，實現了溶質清除率智能監測、達成劑量自動預警，使治療劑量達成率由78.5%上升至93.5%[13]。在自動收集數據的基礎上，云端存儲共享還能夠實現不同單位CRRT質控參數的橫向比較。遠期，通過大數據集進行機器學習，人工智能或許能夠提出更為客觀合理的CRRT內涵質控模型，并對模型動態更新。通過尋找和甄別離群值，醫院、醫政、醫保機構就能從患者層面和機構層面對CRRT進行質控。
5 人工智能應用于重癥急性腎損傷（acute kidney injury，AKI）
AKI是一組可由多種病因引發、以腎功能急劇惡化為表現的臨床綜合征[14]。重癥AKI是CRRT的主要適應證，但CRRT干預AKI的時機目前仍有較大爭議[15]。機器學習和人工智能為評估AKI患者的治療時機提供了更為優化的決策依據[16-17]。在一項納入157例嚴重燒傷患者的機器學習研究中，XGBoost算法對AKI的預測效果相較于傳統logistics回歸模型更佳，曲線下面積（area under curve，AUC）達到0.92[18]。另一項針對重癥監護室（Intensive Care Unit，ICU）患者的研究使用了GBDT、SVM等機器學習算法開發決策模型并調優，預測患者何時需要進行CRRT干預，發現GBDT模型的準確率為80%，AUC為0.84[19]。體外膜肺氧合（extracorporeal membrane oxygenation，ECMO）是重癥心肺功能衰竭患者的器官替代治療手段，接受ECMO的患者常因合并AKI而接受CRRT治療。有學者嘗試用機器算法自動識別電子病歷中的相關詞條，輔助判斷ECMO患者啟動CRRT的時間，發現該算法在訓練組中判斷準確性為99%，而在驗證組中準確性為100%[20]。
臨床上廣泛應用的急性生理與慢性健康評分和序貫器官衰竭檢測評分對CRRT依賴的重癥AKI患者預后評估能力一般。中性粒細胞明膠酶相關脂質運載蛋白、骨橋蛋白等新型生物標志物在對重癥AKI及其預后展現出一定預測價值，但尚未得到廣泛臨床應用[21-22]。不同研究團隊使用機器學習算法對CRRT依賴的AKI患者預后模型進行了優化。Kang等[23]分別對1 094例和477例接受CRRT的AKI患者進行了人工智能的訓練和驗證，研究結果顯示隨機森林模型、人工神經網絡模型、極端梯度增強模型等機器學習算法能在既往評分體系的基礎上進一步改善對死亡事件的預測準確性。該團隊另一項針對2 349例CRRT患者的研究則發現機器學習算法能在啟動CRRT前輔助預測CRRT治療中的低血壓事件[24]。在一項納入684例接受CRRT的AKI患者的研究中，比較了不同算法對無腎臟替代治療存活率的預測價值，結果顯示多層感知器+長短期記憶算法（MLP+LSTM）表現最佳，具有相對較高的AUC（0.7）[25]。
6 人工智能在CRRT領域面臨的挑戰
人工智能雖然在CRRT和AKI領域獲得大量關注，但如同所有新興技術一樣，人工智能的從初具概念到落地應用仍有諸多挑戰需要克服。首先，CRRT人工智能的相關研究主要集中在對疾病事件的預測，如何優化疾病的干預手段、改善患者硬終點指標，是亟待突破的關鍵點[26]。第二，新型CRRT機器擁有強大的數據交互能力，然而不同廠商、醫療機構、衛生系統的數據接口和數據格式仍有較大差異。各個組織缺乏足夠的內在驅動力去打破該壁壘，這必將影響到未來的大數據整合與應用。第三，人工智能算法的訓練和驗證，都需要依賴于大量數據的喂養。相應的算法也必定更加適用于大數據采集地區的CRRT人群。醫療資源豐富、醫療數據采集完善的高收入地區的CRRT患者群體在算法的適配性上更加占有優勢，而欠發達地區人群的適配性可能較差，這將進一步加重地區間的醫療不公平性[2]。此外，人工智能運行仍以分布式采集、集中式運算為主，中心化的人工智能存在被壟斷和操縱的風險。隨著信息技術的進步，未來每臺CRRT機器如果都擁有協同計算能力，類似于區塊鏈構架的去中心化人工智能體系將提升數據的安全性和可靠性。
7 小結
信息化和智能化是醫學的發展方向。CRRT是高度依賴于設備（CRRT機）的治療手段，在信息采集、硬軟件結合方面具有天然的優勢。CRRT的信息化建設能夠優化工作流程、輔助臨床教學、匯總科研數據，在醫、教、研各個方面推動CRRT學科發展。在CRRT治療過程中產生的海量數據，為人工智能的訓練及驗證提供了保障，繼而實現自動處方、質量控制和對重癥AKI的優化診療。CRRT的信息化建設尚處于起步階段，人工智能方興未艾。今后有待更多研究深入揭示信息化、智能化的CRRT對危重癥患者的治療效果。
利益沖突：所有作者聲明不存在利益沖突。
連續性腎臟替代治療（continuous renal replacement therapy，CRRT）是重癥患者的重要救治手段之一。隨著CRRT設備功能不斷完善、治療模式日益豐富，CRRT已經逐漸超出了單純“腎臟替代”的應用范疇，發展為一系列集成化、整合性的器官支持和血液凈化方法[1-2]。近10年來，信息技術的發展日新月異，人工智能在醫療領域獲得廣泛應用[3]。CRRT的精準治療、質量控制在信息技術和人工智能的輔助下變得更加完善，CRRT教學培訓也更為高效便捷。本文將綜述CRRT的信息化建設以及人工智能的研究進展，供腎臟病、重癥醫學、急診醫學等相關領域從業人員參考。
1 CRRT工作流程的信息化
CRRT的治療位點常常分散在全院各個科室。醫生和護士在查房、巡回的過程中，需要動態實時地觀察患者、機器的相關參數，以保證治療的及時性和安全性。既往，CRRT醫護人員往往就近登錄電腦查閱相關資料，填寫護理記錄需要書寫紙質材料，較為耗時耗力。四川大學華西醫院腎臟內科CRRT團隊聯合IT工程師開發了“CRRT數據處理及智能反饋系統”，實現了以下功能：① 從醫院信息系統（hospital information system，His）自動獲取基本診療信息；② 自動化電子監測裝置獲取體外循環壓力及床旁學血氣分析結果；③ 電子醫囑和護理記錄通過終端實時下達書寫；④ 患者檢查結果和機顯參數通過終端隨時查閱。據統計，該系統可自動獲取66%的相關信息，極大地減輕了臨床工作負擔[4]。
一項回顧性研究分析了四川大學華西醫院2018年6月—2020年5月期間CRRT臨床護理耗時，每例患者經人工錄入床旁血氣分析及護理記錄，平均共需花費（824±81）s，而通過信息化自動抓取錄入僅需耗時（263±28）s，兩者比較差異有統計學意義（t=29.31，P<0.001）[4]。CRRT臨床工作流程的信息化，有助于打通患者端、CRRT機器端、醫生端、護士端的信息壁壘，實現CRRT各環節的高效銜接，提升工作效率，保障治療安全。有學者分析了CRRT機器每分鐘記錄的濾器前壓、跨膜壓、濾器后壓等機顯數據，認為計算機自動化監測CRRT管路壓力數據是切實可行的，能夠為濾器凝血提供預測信息[5]。
2 CRRT醫療教學的信息化
CRRT作為一項平臺性的血液凈化技術，吸引了來自不同科室、不同學科背景的醫護人員參與輪轉或進修。如何在繁忙的臨床工作之余高效的開展教學活動，是CRRT教學所面臨的挑戰。借助平板式移動數據終端，CRRT醫療小組可以在查房的過程中，因時因地方便地進行案例教學和討論。此外，CRRT醫師學員不僅參加日常的靜脈置管、開具醫囑、評估血氣、溝通協調工作，還會定期參加醫（生）護（士）工（程師）聯席會議，共同討論CRRT電子數據系統的不足和缺陷，從醫療服務提供者和電子系統使用者的角度提供反饋意見，同時也加深對CRRT各板塊運行底層邏輯的理解[6]。
CRRT進修護士培訓既往采用傳統的跟班帶教模式，該模式的優點是進修護士全程有本院護士進行指導，醫療安全性有保障；缺點則在于學生缺乏獨立應對臨床突發情況的能力，個人成長較慢。在信息化教學模式下，進修護士經過初期勝任力考核后，即可獨自值班，同時由本院護士通過CRRT數據系統和移動終端全程對進修護士所值守的CRRT機位進行遠程指導和監控，一旦發現進修護士難以處理或處理不當的情況，即刻介入干預。這樣既滿足學員獨立訓練的要求，又保障了臨床安全。在一項納入112名CRRT進修護士的對照研究顯示，上述信息化的教學模式在CRRT進修護士帶教中取得了良好的效果，有利于提高CRRT進修護士的崗位勝任能力[7]。
3 CRRT科研數據的信息化
CRRT的信息化建設同樣有助于科研數據的高質量采集。人工記錄科研數據存在下列不足之處：① 準確性較差：信息的數值、時間、條目可能存在錯記、漏記；② 工作量大：醫護人員臨床業務繁忙，沒有時間對大量臨床數據進行整理，事后進行回顧性收集則可能出現回憶偏倚、信息收集不全等問題；③ 敏感性不高：對于一些非顯性的參數變化，比如體外循環的一過性壓力變化，難以經人工進行敏感地識別，造成科研參數的遺漏。CRRT數據系統的信息化建設，能有效解決人工科研記錄的準確性差、工作量大、敏感性低等問題，有助于挖掘CRRT臨床工作中產生的大數據資源，為進一步的科學研究奠定堅實的基礎。以四川大學華西醫院腎臟內科為例，在CRRT信息化系統的支撐下，血液凈化亞專業護理團隊2021年度發表科研論文數量較2020年增加 1 倍[4]，體現出CRRT數據信息化的獨特優勢。
此外，CRRT信息化建設還為多中心研究鋪平了道路。一旦CRRT數據系統得以標準化，各個單位能夠方便的共享CRRT患者信息并開展研究設計，最終高效地實現多中心的虛擬隊列研究或橫斷面研究[8]。
4 人工智能應用于CRRT的精準治療和質量控制
在傳統的CRRT治療模式下，醫生需要自行查閱整理來自于His系統、患者、CRRT機器等板塊的信息，開具醫囑交由護士執行（圖1a）。2016年，急性透析質量倡議專家共識提出：精準CRRT是重癥血液凈化領域未來的發展方向[9]。“精確CRRT”強調基于個體層面，而非群體層面，對CRRT技術和循證證據的科學應用。在精準CRRT的過程中，治療方案隨著患者疾病狀態而動態變化，對患者治療劑量、血管通路狀態、體外循環血流動力學、抗凝效果等參數的實時評估就顯得尤為重要。未來CRRT的模式依賴云端存儲技術和人工智能算法，計算機自動匯總并分析CRRT機器、患者、His系統的信息，自動化產生處方建議，經醫生審核授權后，由護士監測機器執行，最終形成閉合的處方反饋環路，實現精準動態的CRRT處方調整（圖1b）[10]。
圖1
傳統和智能化CRRT工作模式的比較
a. 傳統CRRT工作模式（醫生整合His系統數據、患者生命體征、CRRT機顯數據，向護士下達醫囑，護士執行）；b. 智能化CRRT工作模式（計算機動態整合His系統數據、患者生命體征、CRRT機顯數據，提出處方建議，由醫生評估授權、護士床旁監控下CRRT機器自動調整）
CRRT領域目前尚缺乏普遍認可的質控標準。有學者認為可考慮的參數包括：處方劑量和達成劑量、治療中斷時間、管路壽命、小分子溶質清除率、死亡率等[11-12]。例如，有研究單位通過建立CRRT設備智能監測反饋系統和設備數據云傳遞系統，實現了溶質清除率智能監測、達成劑量自動預警，使治療劑量達成率由78.5%上升至93.5%[13]。在自動收集數據的基礎上，云端存儲共享還能夠實現不同單位CRRT質控參數的橫向比較。遠期，通過大數據集進行機器學習，人工智能或許能夠提出更為客觀合理的CRRT內涵質控模型，并對模型動態更新。通過尋找和甄別離群值，醫院、醫政、醫保機構就能從患者層面和機構層面對CRRT進行質控。
5 人工智能應用于重癥急性腎損傷（acute kidney injury，AKI）
AKI是一組可由多種病因引發、以腎功能急劇惡化為表現的臨床綜合征[14]。重癥AKI是CRRT的主要適應證，但CRRT干預AKI的時機目前仍有較大爭議[15]。機器學習和人工智能為評估AKI患者的治療時機提供了更為優化的決策依據[16-17]。在一項納入157例嚴重燒傷患者的機器學習研究中，XGBoost算法對AKI的預測效果相較于傳統logistics回歸模型更佳，曲線下面積（area under curve，AUC）達到0.92[18]。另一項針對重癥監護室（Intensive Care Unit，ICU）患者的研究使用了GBDT、SVM等機器學習算法開發決策模型并調優，預測患者何時需要進行CRRT干預，發現GBDT模型的準確率為80%，AUC為0.84[19]。體外膜肺氧合（extracorporeal membrane oxygenation，ECMO）是重癥心肺功能衰竭患者的器官替代治療手段，接受ECMO的患者常因合并AKI而接受CRRT治療。有學者嘗試用機器算法自動識別電子病歷中的相關詞條，輔助判斷ECMO患者啟動CRRT的時間，發現該算法在訓練組中判斷準確性為99%，而在驗證組中準確性為100%[20]。
臨床上廣泛應用的急性生理與慢性健康評分和序貫器官衰竭檢測評分對CRRT依賴的重癥AKI患者預后評估能力一般。中性粒細胞明膠酶相關脂質運載蛋白、骨橋蛋白等新型生物標志物在對重癥AKI及其預后展現出一定預測價值，但尚未得到廣泛臨床應用[21-22]。不同研究團隊使用機器學習算法對CRRT依賴的AKI患者預后模型進行了優化。Kang等[23]分別對1 094例和477例接受CRRT的AKI患者進行了人工智能的訓練和驗證，研究結果顯示隨機森林模型、人工神經網絡模型、極端梯度增強模型等機器學習算法能在既往評分體系的基礎上進一步改善對死亡事件的預測準確性。該團隊另一項針對2 349例CRRT患者的研究則發現機器學習算法能在啟動CRRT前輔助預測CRRT治療中的低血壓事件[24]。在一項納入684例接受CRRT的AKI患者的研究中，比較了不同算法對無腎臟替代治療存活率的預測價值，結果顯示多層感知器+長短期記憶算法（MLP+LSTM）表現最佳，具有相對較高的AUC（0.7）[25]。
6 人工智能在CRRT領域面臨的挑戰
人工智能雖然在CRRT和AKI領域獲得大量關注，但如同所有新興技術一樣，人工智能的從初具概念到落地應用仍有諸多挑戰需要克服。首先，CRRT人工智能的相關研究主要集中在對疾病事件的預測，如何優化疾病的干預手段、改善患者硬終點指標，是亟待突破的關鍵點[26]。第二，新型CRRT機器擁有強大的數據交互能力，然而不同廠商、醫療機構、衛生系統的數據接口和數據格式仍有較大差異。各個組織缺乏足夠的內在驅動力去打破該壁壘，這必將影響到未來的大數據整合與應用。第三，人工智能算法的訓練和驗證，都需要依賴于大量數據的喂養。相應的算法也必定更加適用于大數據采集地區的CRRT人群。醫療資源豐富、醫療數據采集完善的高收入地區的CRRT患者群體在算法的適配性上更加占有優勢，而欠發達地區人群的適配性可能較差，這將進一步加重地區間的醫療不公平性[2]。此外，人工智能運行仍以分布式采集、集中式運算為主，中心化的人工智能存在被壟斷和操縱的風險。隨著信息技術的進步，未來每臺CRRT機器如果都擁有協同計算能力，類似于區塊鏈構架的去中心化人工智能體系將提升數據的安全性和可靠性。
7 小結
信息化和智能化是醫學的發展方向。CRRT是高度依賴于設備（CRRT機）的治療手段，在信息采集、硬軟件結合方面具有天然的優勢。CRRT的信息化建設能夠優化工作流程、輔助臨床教學、匯總科研數據，在醫、教、研各個方面推動CRRT學科發展。在CRRT治療過程中產生的海量數據，為人工智能的訓練及驗證提供了保障，繼而實現自動處方、質量控制和對重癥AKI的優化診療。CRRT的信息化建設尚處于起步階段，人工智能方興未艾。今后有待更多研究深入揭示信息化、智能化的CRRT對危重癥患者的治療效果。
利益沖突：所有作者聲明不存在利益沖突。
