编者按

在2026年世界肾脏病学大会（WCN 2026）上，人工智能（AI）与肾脏病学的深度融合成为全场焦点之一，标志着肾脏病诊疗正式迈入智能化、精准化、全域化的全新阶段。面对急性肾损伤（AKI）早筛难、病理诊断异质性大、临床落地难等全球性难题，来自北京大学第一医院杨莉教授团队的张宇慧主治医生，代表团队分享了原创性AI预测AKI体系，为全球肾脏病AI诊疗提供了领先的中国方案，充分展现出中国在危重症肾病智能诊疗领域的核心优势与引领地位。

AKI早筛难、干预滞后成全球肾病诊疗痛点

AKI是全球范围内高发且极具危害性的临床综合征，以肾功能快速恶化为核心特征，临床数据显示仅8%的AKI病例初诊于肾病科，绝大多数散在于各临床科室。在住院人群中，AKI发生率高达10%，相关死亡率可达25%，超过半数的存活患者会进展为慢性肾脏病（CKD），给个人、家庭与医疗体系带来沉重负担。其早期识别率低、干预滞后是临床长期未能解决的痛点。

大量研究证实，早期识别高危人群并及时启动预防干预，是改善AKI预后、降低死亡与慢性化风险的唯一关键路径。在此背景下，传统依赖医师经验与单一指标的判断模式已无法满足临床需求，基于人工智能的精准预测模型，成为突破这一困境的关键方向。横断面调查数据显示，我国住院患者AKI负担沉重，年发病人数规模巨大，医疗经济成本极高，早期预警与干预刻不容缓[1]。

全场景覆盖：中国团队构建AKI精准AI预测体系

杨莉教授团队长期深耕AKI智能预测研究，系统梳理并优化了全球各类AKI预测模型，针对冠脉介入术后、心脏手术后、非心脏手术后及普通住院患者等不同临床场景，构建了全覆盖、高精准、可解释的AI预测体系。在经皮冠状动脉介入治疗（PCI）相关AKI预测中，团队整合术前年龄、心血管疾病、估算肾小球滤过率、左室射血分数、糖尿病、血红蛋白、血糖、心衰等基线指标，联合术中造影剂剂量、围术期出血、血流灌注情况、复杂病变操作等术中变量，构建双阶段预测模型，在大规模推导与外部验证队列中均保持优异性能，预测AUC稳定在0.72~0.86，实现术前风险分层与术中动态预警[2]。

针对心脏手术相关AKI，团队引入基于围术期检验指标的预测模型，以术前血肌酐、术后短期肌酐绝对变化、尿素氮、电解质、白蛋白等常规可获取指标，对术后72小时及14天中重度AKI与肾脏替代治疗（RRT）风险进行预测，推导队列AUC最高达0.916，外部验证AUC保持在0.87以上，具备极强的临床实用性[3]。在非心脏手术场景中，团队验证并优化了SPARK风险评分，整合年龄、性别、手术时长、急诊手术、糖尿病、肾素-血管紧张素系统抑制剂（RASi）使用、基线肾功能、蛋白尿、低白蛋白血症、贫血、低钠血症等关键变量，实现术前快速风险分层，整体AUC达0.717~0.800，对重度AKI预测效果更为突出[4]。

临床突破：全院实时动态AKI预测模型落地验证

真正实现临床突破的，是杨莉教授团队面向全院住院患者研发的实时动态AKI人工智能预测模型。该模型以北京大学第一医院近5万例住院患者数据为推导队列，联合等级各异的独立医院，超11万例患者进行外部验证，纳入肌酐最新变化率、利尿剂使用、淋巴细胞比例、ICU收治、人血白蛋白使用、中性粒细胞比例/白蛋白比值、尿素氮、心率、肌钙蛋白I、降钙素原、呼吸频率、乳酸脱氢酶、D二聚体等20项常规可获取指标（图1），无需特殊检测、不增加临床负担，可实时更新、动态计算未来24、48、72小时内AKI及重度AKI发生风险。结果发现，该模型预测性能优异，AKI预测AUC达0.81~0.90，重度AKI预测AUC高达0.88~0.95，且具备良好的可解释性，通过SHAP值明确各因素的风险贡献度，让医师清晰理解AI判断依据，真正做到可信、可用、可落地[5]。 


图1. 20项可获取指标

国际多项AI预测研究也证实了机器学习模型在AKI预警中的价值，包括循环神经网络、梯度提升机等算法在48小时、7天等不同时间窗的AKI风险预测中取得稳定表现，AUC范围在0.67~0.93之间，为临床模型构建提供了方法学参考[6-11]。其中，多中心可迁移AKI预测模型采用离散时间生存框架下的梯度提升树，在大规模外部验证中对48小时AKI与7天重症AKI保持良好预测效能，进一步证明AI在跨中心推广的潜力[12]。

前沿领跑：大语言模型开辟肾病AI新赛道

更具前瞻性的是，该团队率先将大语言模型（LLM）应用于AKI智能预测，开辟了肾脏病AI研究新赛道（图2）。团队以1.7亿级token医学语料预训练，结合600例人工标注数据进行微调与强化学习，实现非结构化临床文本信息挖掘、不规则时间序列数据整合、复杂风险模式识别、动态归因分析与可解释风险报告输出，显著提升预测精度、降低原有模型的高假阳性率，并支持零样本泛化与个性化风险评估。这一成果让AKI预测从“结构化数据建模”升级为“全域临床信息理解”，标志着中国在肾病大模型临床转化领域走在世界前列。


图2. 大语言模型（LLM）示意图

与之相对，国际上的相关研究仍集中于肾脏病理AI领域，虽在多中心病理图像分析上取得一定进展，但长期受限于不同医院、不同扫描设备、不同染色流程带来的领域偏移问题，模型泛化能力不足，临床落地障碍重重。尽管国外团队尝试通过生成式模型进行图像风格转换、利用自监督学习降低标注成本，最终仍停留在病理图像量化分析阶段，距离临床规模化应用仍有较大距离[13]。与此同时，国际AKI预测模型多为单中心、单场景构建，跨中心迁移能力不足，指标复杂、难以实时获取，无法满足临床真实需求。

总结

从学科发展来看，中国团队的成果推动肾脏病学从“经验医学”“循证医学”向“精准医学”“智能医学”跨越。AI不再是辅助工具，而是融入诊疗全流程的核心能力，让过去看不见、测不准、预警晚的肾脏风险，变得可监测、可量化、可提前干预。这不仅提升了诊疗效率与精度，更推动整个肾脏病诊疗理念的革新，让预防关口前移成为现实。

参考文献
1.Yang L et al. Lancet.
2.Mehran R, et al. Lancet. 2021 Nov 27.
3.Demirjian S, et al. JAMA. 2022 Mar 8;327.
4.Park S, et al. JASN. 2019 Jan.
5.Tomasev. Nature. 2019.
6.Song X, et al. Nat Commun. 2020.
7.Koyner. Crit Care Med. 2018.
8.Churpek. JAMA Netw Open. 2020.
9.Kim. J Med Internet Res. 2021.
10.Simonov. PLoS Med. 2019.
11.Zhang Y et al. Nat Commun.
12.Matsui et al. NPJ Digit Med. 2025 Nov 23;8(1):778.
13.Abe and Matsui et al. Clin Exp Nephrol. 2026 Mar;36(3):471-486.