WCN22热点速递丨智慧医疗与中美研究团队共筑肾脏健康长城

2月24-27日，2022年世界肾脏病大会（WCN）在马来西亚首都吉隆坡举行。近年来，随着国际交流与合作的不断加强，国际上越来越多的国家开始关注中国肾脏病研究与治疗现状，而我国也有研究者运用非传统的研究方式，即结合AI、大数据以及人工智能等方式进行医学研究，取得不俗进展。

本文中，医脉通精选了3篇研究，来自美国、中国的研究团队，通过大数据的形式分析免疫球蛋白A（IgA）肾病、糖尿病肾病（DKD）和膜性肾病。

中美研究：关注中国IgA肾病的发病率与治疗方案¹

标题：A Targeted Literature Review of Prevalence and Treatment Patterns of IgA Nephropathy in China, TW，and South Korea

作者：Omer Zaidi, Fen Du, Zhaoli Tang，et al.

单位：OPEN Health,Otsuka Pharmaceutical Development& Commercialization.

编号：POS-304

与欧美相比，亚洲地区IgA肾病报告更多，但是至今没有研究表明IgA肾病在东亚地区的总体患病率。因此来自，美国和中国的研究者对中韩的IgA肾病流行率和治疗方法进行了相关研究。

研究发现，中国大陆地区IgA肾病的患病率高于台湾地区，低于韩国。而治疗方面，大部分IgA肾病患者接受了血管紧张素转化酶抑制剂（ACEI）或血管紧张素受体阻滞剂（ARB）治疗，而未接受糖皮质激素治疗。 

该项研究中，数据来源于Medline、Embase、万方数据库、CNKI、韩国医学数据库和韩国信息服务系统。此外，研究者还使用谷歌和百度进行了补充搜索，包括未经同行评议的出版物、临床指南、会议论文集以及各政府和非政府组织网站。 

在中国大陆，25%（范围：6~41%）的肾活检患者为IgA肾病患者，而38%（30%~50%）的原发性肾小球肾炎（PGN）患者为IgA肾病患者。 

在中国台湾，12%（11~13%）的肾活检患者为IgA肾病患者，而26%（30%~50%）的PGN患者为IgA肾病患者。

在韩国，38%（26~62%）的肾活检患者为IgA肾病患者，而51.6%（51.3~51.9%）的PGN患者为IgA肾病患者。 

在中国的成年IgA肾病患者中，38%~90%的患者都接受了ACEI或ARB治疗，较少有患者接受免疫抑制剂（2~86%）和糖皮质激素（10~36%）的治疗。而未成年IgA肾病患者中，上述三类药品的使用率分别为50~70%、64%和45~48%。

大数据算法开启未来新时代，陈香美院士团队关注临床运用

1.2型糖尿病患者的DKD发生风险预测²

标题：Prediction of 3-Year Risk of Diabetic Kidney Disease Using Machine LearningBased on Electronic Medical Records

作者：Zheyi Dong, Qian Wang, Yujing Ke, et al.

单位：Department of Nephrology, First Medical Center of Chinese PLAGeneral Hospital, Nephrology Institute of the Chinese People's Liberation Army,State Key Laboratory of Kidney Diseases, National Clinical Research Center forKidney Diseases.

编号：POS-325

DKD发病率逐渐增加，成为危害我国公共卫生安全的重要危险因素。因此，临床急需可预测2型糖尿病患者的DKD发病风险的有效方法。解放军总医院的陈香美院士及其研究团队利用大数据与机器学习，成功建立了2型糖尿病患者的DKD发病风险模型。该模型仅用电子病历即可预测，准确率较高（AUC=0.815）。

该研究共纳入800余例患者，并使用森林递归特征消除法对患者的特征进行特征消除。该模型纳入的参考因素有年龄、血清蛋白、糖化血红蛋白、身体质量指数（BMI）、估算肾小球滤过率（eGFR）、同型半胱氨酸、碳酸氢盐和低密度脂蛋白胆固醇。利用7种机器学习算法开发出预测模型。

纳入患者的中位年龄为56岁（IQR，48-66岁），585（67.7%）为男性。经分析，老龄、同型半胱氨酸较高、血糖控制不佳、血清蛋白较低、eGFR较低、碳酸氢盐较高可增加DKD的发生风险。此外，AUC发现Light GBM算法模型的AUC面积最高，可到达0.815（95% CI，0.747-0.882）。

总之，该研究建议Light GBM算法模型是一种具有较高潜力的风险预测工具，可促进具有完整电子病历的，2型糖尿病患者的管理。

2.辅助膜性肾病无创诊断

标题：Use of machine learning to develop and optimize a diagnostic modelfor membranous nephropathy

作者：Qian Wang , Shibin Su , Weiguang Zhang , et al.

单位：Department of Nephrology, First Medical Center of Chinese PLAGeneral Hospital, Nephrology Institute of the Chinese People's Liberation Army,State Key Laboratory of Kidney Diseases, National Clinical Research Center forKidney Diseases.

编号：POS-219

目前，原发性膜性肾病的发病率越来越高，但缺乏有效且可靠的无创诊断方法。陈香美院士及其研究团队开发了一款机器预测模型，该模型利用抗磷脂酶A2受体抗体（anti-PLA2R-Ab）以及其他生物标志物可高精度（AUC=0.951）无创诊断膜性肾病，是辅助临床工作的好助手。

该研究纳入了自2009年至2020年期间所有接受肾活检的患者，根据活检结果分为膜性肾病组和非膜性肾病组。除了anti-PLA2R-Ab以外，还纳入了其余9种指标。采用7种机器学习算法开发出预测模型。其中70%的数据为训练集，30%的数据为验证集。

整个研究共计纳入了8840例患者，其中2457例患者有anti-PLA2R-Ab检验数据。研究团队开发了2种验证模型，第一种纳入了10种指标，包括血清白蛋白、β2微球蛋白、α2球蛋白、尿红细胞、血尿素氮、总胆固醇、免疫球蛋白轻链lambda、血清总蛋白、24h尿蛋白和eGFR。而Catboost的精度最高（AUC=0.916）。

在优化算法和纳入指标后，只有6种指标的第二套算法诞生了，它包括anti-PLA2R-Ab、血清白蛋白、β2微球蛋白、总胆固醇、eGFR和24h尿蛋白。同样，Catboost的精度最高（AUC=0.951）。

在所有膜性肾病诊断的机器学习模型中，Catboost的算法精度最高，而anti-PLA2R-Ab指标在预测膜性肾病发生风险方面有独特优势，值得进一步研究。

参考文献：

1 .POS-304，e-posters，World Congress Of Nephrology（Virtual meeting）.

2. POS-325，e-posters，World Congress Of Nephrology（Virtual meeting）.

3.POS-219，e-posters，World Congress Of Nephrology（Virtual meeting）.