目前人工智能在医学领域，如图像识别、语音处理等领域已逐步应用。那么，在肾病专科领域，尤其是透析领域，人工智能是否有新的进展呢？来自西班牙的 Miguel Hueso 等对人工智能在透析中的应用进行综述，发表在最近一期的 Kidney disease 杂志上。
目前的透析设备不能对透析中突发情况进行自动处理，也不能对患者的既往情况进行分析，从而进行个性化治疗。未来的创新透析设备，希望能达到微型化、持续性、个体化的透析治疗。这种透析设备需要配备实时的设备监测报警系统、实时监测透析参数、实时监测患者相关数据，用于保证患者安全以及不断根据患者参数的变化进行透析处方的调整。这种未来的创新设备，需要获取并处理大数据，以及实时的预测模型。这就需要机器学习等人工智能的参与。
为了进一步探讨人工智能对现今以及未来医疗的影响，最近在西班牙巴塞罗那的 L』Hospitalet 医院，邀请人工智能以及透析方面的专家，召开一场有关人工智能在透析中应用的科学会议。以下是一些人工智能在血透中应用的例子：
贫血治疗与贫血控制模型
虽然透析能部分替代肾脏血液滤过的功能，但透析本身不能代替肾脏的代谢与内分泌功能。因此，透析患者常合并由于肾脏内分泌功能失调导致的并发症：贫血。外源性红细胞生成素 (ESA) 的出现，改善了透析患者的贫血状况，但存在个体间疗效差异。为了进一步帮助肾病医生针对贫血的 ESA 和铁剂剂量处方进行调整，开发了一种人工智能工具。
这种贫血控制模型（ACM）包含两个组成部分：（1）通过人工神经网络，根据患者临床数据预测未来的血红蛋白水平；（2）一种系统算法，用于推荐达到目标血红蛋白水平的最佳 ESA 和铁剂剂量。需要强调的是，ACM 只是提供治疗推荐，但需要进一步验证推荐剂量的疗效。
根据患者目前的状态（实验室检查、基线资料、透析参数）、ESA 和铁剂剂量，通过人工神经网络，训练并预测未来一个月内血红蛋白的变化。这种预测模型其实是以不同 ESA 剂量为自变量，血红蛋白作为因变量的函数，用于下一步 ESA 剂量的选择。
总的来说，这种算法在于通过模型拟合，寻找让血红蛋白达到目标范围的最佳药物剂量。ACM 与患者的临床医疗信息系统相关联，自动实时获取患者的临床与实验室数据。ACM 系统的引入，提高了患者贫血达标率 (70.6%～83.2%)，降低了贫血达标的个体差异性 (8.3 g/L～9.5 g/L)，减少了血红蛋白超标（>12 g/L），减少 ESA 与铁剂用量。
血透中低血压与机器学习系统
透析中低血压（IDH）出现于 20% 的患者当中，并增加心血管死亡率和致残率。IDH 的出现是由于目标体重变化量、血浆回输能力以及心血管系统代偿能力之间的失衡。为预防 IDH，开发了一套多输入-多输出的系统，名为 HemocontrolTM 系统。
HemocontrolTM 系统评估三种变量（血液容量、体重变化量以及透析液平均钠浓度），控制两个透析参数（超滤量和透析液钠浓度）。通过一种生物感受器 (HemoscanTM)，使用分光光度计原理评估血红蛋白浓度，监测相对血液容量 (RBV)。RBV 是根据患者超滤量与目标血容量之间的比值得出的。HemocontrolTM 系统通过调整透析液的钠浓度以及超滤率的生物反馈机制，调整 RBV 的变化趋势。
研究已提示，与常规血透相比，HemocontrolTM 系统能显著地降低 39% 的 IDH 发生率、减少心脏骤停，并仍能保持每次治疗的高滤过量。HemocontrolTM 系统通过开始时的使用高钠透析液，能促进加压素的释放，是减少 IDH 发生率的可能机制。
人工智能在透析中的应用，还处于早期阶段。主要的挑战在于进行医疗决策时，对人工智能数据模型的解读和理解能力（图 1）。
解读循环：想象一方面是机器侧，包括数据、和/或相应的模型、机器学习解读工具；另一方面是人类侧，包括基于现实认知模型的认知过程。这个循环能根据人类解读，让数据与模型进行相应的调整。
人工神经网络和医疗决策辅助系统已在贫血、预防透析中低血压中使用。实时监测系统，联合自动的、持续性的生物反馈，能不断地对透析处方进行实时调整。实时监测、实时获取的透析参数，将产生大量的数据，需要机器学习等具有处理大数据能力的分析方法。未来的人工智能在透析中的应用，将有助于未来的医疗决策以及保证患者安全。
