人工智能（AI）正通过预测分析、机器学习、深度学习和生成式AI技术，深刻改变肾脏管理服务模式。肾脏疾病作为全球重大健康负担，诊疗中产生的海量数据为AI应用提供了基础。美国肾脏病学会（ASN）成立AI工作组，制定以患者获益为核心、医生全程参与、聚焦高负担疾病领域创新的指导框架，为AI在肾脏病学领域的应用指明方向。本文将探讨AI在肾脏管理关键领域的应用价值、实践挑战及未来发展路径。

一、AI在慢性肾脏病（CKD）管理中的应用

在CKD管理中，AI弥补了传统诊疗的诸多短板。尽管CKD筛查重要性已获证实，但全球筛查率仍低，且临床过度依赖估算肾小球滤过率（eGFR），导致诊断和治疗存在缺口。AI的子领域机器学习（ML）和深度学习（DL）通过数据驱动算法识别临床模式，为CKD早期发现提供创新方案。例如，基于视网膜影像的AI算法，无需实验室检查即可在社区场景中准确识别CKD，拓展了筛查可及性。

在风险预测上，AI模型优势显著。Klinrisk模型利用国际实验室数据库，基于血常规、代谢面板和尿白蛋白-肌酐比值（UACR），在580万人群中验证了预测CKD进展的准确性，曲线下面积（AUC）达0.8~0.88；RenalytixAI开发的专有生物标志物联合临床数据模型，对糖尿病肾病的早期预测AUC为0.74~0.77。这些模型与肾衰竭风险方程互补，能在疾病早期预测进展趋势，为及时干预创造条件。

AI驱动的临床决策支持系统也逐步融入诊疗流程，如维克森林大学开发的TrajVis工具，将AI轨迹模型与电子病历或实验室信息系统整合，提供连接检查、诊断、风险分层和指南推荐治疗的决策辅助，有效提高了UACR检测率和指南导向药物治疗的处方率。不过，临床惯性和eGFR为中心的诊疗观念仍影响UACR检测进展。

二、AI在急性肾损伤（AKI）与重症肾脏病学中的应用

AKI诊疗的困境在于血清肌酐升高作为诊断指标存在滞后性，常导致干预时机延误。AI通过实时分析血清肌酐趋势、尿量、生命体征和合并症等多维数据，预测准确性显著优于传统回归模型。将AI整合到电子健康记录（EHR）中，可实现AKI的实时监测和动态风险分层，通过推荐液体调整、肾毒性药物调整等循证干预措施，让临床医生专注于关键决策而非人工数据解读。此外，AI还能提供肾脏功能的高级趋势可视化和预测模型，但需解决与现有EHR平台的无缝集成、稳健的实时数据管道及临床医生与AI开发者的有效协作等问题。

在重症肾脏病学领域，AI有望优化ICU透析启动时机的决策，通过评估液体平衡、电解质水平和血流动力学稳定性等临床参数，为个体化透析处方提供依据。强化学习模型在调整透析参数、减少透析中低血压等并发症方面潜力显著。ICU数据湖的概念为AI应用提供了新支撑架构，通过集中整合ICU各类实时和历史数据，形成统一的患者监测数据库，支持针对重症肾脏病学的动态预测分析。基于该数据湖的AI算法，能够早期发现AKI和电解质紊乱，动态调整治疗方案，预测血流动力学不稳定等不良事件。但需注意，预测性能提升并不必然转化为临床疗效改善，必须通过科学方法对结局进行可测量评估。

不过，重症监护环境中数据质量、一致性和完整性参差不齐，缺失值、测量误差和文档不一致等问题普遍存在，影响AI模型训练部署。且当前AI模型多采用单一机构回顾性数据，难以反映患者人口统计学、临床实践和医疗环境的多样性，通用性受限，尤其在服务不足人群或医疗资源差异较大的地区。同时，模型可能无法考虑医生偏好或资源约束，存在性能漂移风险，需定期更新模型并建立标准化的模型维护验证协议。

三、AI在透析管理中的应用与挑战

透析治疗的高度标准化和数据密集型特征，使其成为AI技术的重要应用场景。每次透析会话产生的治疗参数、生物信号和患者人口统计学数据，为AI模型开发提供了丰富素材。AI在透析管理中的应用已取得多项成果：贫血控制模型作为经认证的AI决策支持系统，通过推荐精准的促红细胞生成素类药物剂量，显著提高了血红蛋白目标达标率，减少了药物使用和医疗成本；AI预测模型在住院率、死亡率以及透析中低血压等常见并发症的预测方面已应用超过十年，深度学习模型结合透析前特征和历史会话数据，实现了高准确率预测，为治疗方案预先调整提供可能。

近年来，AI在透析管理中的应用突破了传统数值数据集局限。利用AI分析超声或其他影像数据，可识别动脉瘤等血管通路并发症；通过监听透析机产生的音频信号，能实现治疗状态实时监测；可穿戴生物传感器为透析间期的患者监测提供了新手段。大型语言模型（LLMs）在处理临床笔记、患者病史等非结构化数据方面优势明显，能总结患者数据、生成个性化治疗建议、提供实时决策支持。在患者参与和教育方面，LLM驱动的聊天机器人已在腹膜透析患者的健康信息传递和自我管理指导中试点，其多语言内容生成能力还能打破语言障碍，提升管理服务可及性和公平性。

然而，AI在透析管理中的广泛应用仍面临挑战。社会经济决定因素的数据收集整合不足，诊所外收集的数据尚未完全融入中心血液透析流程。开发、验证和维护AI模型的高昂成本，加上监管障碍，阻碍了其广泛采用。AI算法的“黑箱”特性导致的透明度问题，可能削弱临床医生和患者的信任。因此，解决数据整合、社会经济因素和经济激励相关的AI挑战，对实现更个性化、高效和公平的透析管理至关重要。

四、AI在肾脏移植领域的应用与伦理考量

肾脏移植是终末期肾病（ESKD）的最佳治疗方案，但在供体获取、器官分配和术后管理等环节仍面临挑战，AI技术为解决这些问题提供了新路径。在提高移植率和活体捐赠方面，机器学习驱动的风险指数结合人口统计学、临床和社会经济数据，能够识别在移植评估、等待名单登记或移植手术中可能失败的高风险患者。利用AI分析社交媒体等数字平台数据，可评估公众对活体捐赠的态度、行为线索和障碍因素，为潜在捐赠者提供个性化的参与和教育机会，缩小等待名单患者与活体捐赠者之间的差距。

在改善移植后结局方面，AI/ML模型在免疫抑制治疗优化中展现出潜力，其药物浓度和剂量预测准确率较高，结合基因多态性和患者人口统计学数据的模型，进一步提升了他克莫司生物利用度和移植后糖尿病风险的预测精度。不过，ML模型在移植后结局预测上是否优于传统模型仍存争议，如iBox工具采用透明的逻辑回归模型，已获欧洲药品管理局认可，这提示AI/ML模型需达到类似的稳健性、可解释性和监管一致性。

肾脏移植领域的AI应用还面临诸多挑战。患者数据集规模较小且碎片化，与CKD领域的大型标准化数据集形成对比，且需整合供体/受体特征、免疫和组织病理学数据、基因图谱及纵向结局等多种数据类型，处理复杂。模型多基于小队列的特定人群数据，通用性差，需考虑地区、社会经济及种族民族差异。同时，伦理问题突出，尤其在器官分配的公平性方面，若AI干预过度关注移植成功率高的患者而非高风险人群需求，可能加剧健康disparities，需在应用风险指数时进行审慎伦理考量，确保患者优先排序的公平透明。

五、总结

展望未来，肾脏管理领域的AI应用需以ASN工作组提出的指导原则为核心，将患者获益置于首位，确保临床医生的全程监督，聚焦高负担疾病领域的创新。要通过技术创新提升数据质量和整合效率，建立标准化的数据管理和模型验证协议，定期更新模型以适应临床指南变化和患者群体演变。需加强跨学科协作，促进临床医生、AI开发者、伦理学家和政策制定者的沟通合作，开发可解释、公平透明的AI系统。在推广AI技术的同时，要建立健全监管框架和伦理规范，明确责任划分，保护患者隐私和数据安全。通过负责任的AI应用，肾脏病学领域将实现更精准、公平和高效的管理服务，为肾脏疾病患者和医护人员带来切实获益。

Tangri, N, et al. JASN. 2025: 1–10. doi: https://doi.org/10.1681/ASN.0000000929