在过去的几十年里，血液透析技术在生物监测-反馈方面取得了相当大的进步。透析设备发展到今天，硬件功能基本"卷"到极致，但是透析治疗模式并没有发生根本变化。

我们应用大量扩展功能进行透析在线监测背后的终极驱动力是通过这些动态的生理数据进行“个性化治疗”，笔者理解为：数据 - 学习 - 预判 - 干预。

个性化治疗仍然不能实现的主要原因有两个：医生人手不足、用于分析的生理数据不够。

如果广泛应用小型、多参数监测系统、透析中/居家可穿戴健康设备配合人工智能解决上述问题，我们是否能发智能透析设备，实现个性化透析治疗？今天和大家分享目前人工智能与新型可穿戴传感器结合在透析领域的新进展。

01

血容量监测

多参数血容量监测反馈系统

利用光学技术、非侵入方式测量中心静脉氧饱和度 (ScvO 2 ) 、血细胞比容，血容量百分比，建立多参数模型综合评估患者血容量变化。代表产品：费森尤斯CLIC 小型探头以及CRIT-LINE IV 监测系统。

CLIC探头组件

CLIC 使用演示

使用：将耗材（一次性光学比色皿）一侧连接至动脉血液管路。一侧连接至传感器，实时输出波形，预判患者血容量变化情况，与特定机型（2008T）连接可直接控制超滤。

CLIC系列耗材

结果：血容量持续监测，曲线大致有3种预判方向，可提供超滤率调整的建议：

CLIC系统界面

目前集成了血氧饱和度、心电分析，生物阻抗检测的无创PPG集成芯片，已缩减至4.4*4.4mm。可持续监测，无线传输，稳定性良好，未来甚至可以实现HD以外的24小时监测。原型设备正在研发中，如下图。

无创静脉波分析透析患者血容量（NIVA）

静脉波：心脏周期中，外周浅表静脉的微小皮肤偏移，这种静脉偏移经过传感器检测，信号放大处理，被大量研究证实可以用来连续评估外周血管容量，准确率与灵敏度较高。

有研究在透析治疗中将压电传感器置于手腕掌侧静脉丛上方的皮肤，捕获外周静脉波形，通过特定算法提取静脉波形的特征信号，综合计算出一个NIVA值指导容量控制，非常简单直观。

并以此为基础，开发了便携的透析中血容量监测设备，准确率达85.7%。

无创静脉波BV监测原型设备

02

心电监测与筛查

可穿戴心电监测与无创高钾血症筛查

Whealthy ® 是由导体、电极和压阻材料组成的T恤，通过传感器、电极，同时采集五个 ECG 导联、心率和呼吸活动，对心肺活动进行比较。

数据无线传输至小型计算机 (150 g) ，通过算法分析 ECG 数据。可在医院与居家场景下对透析患者心血管事件早期预警与治疗。

Whealthy ®原型设备

患者治疗中实时心电图监测（意大利）

有研究进行了基于双导联心电图的深度学习算法可以检测到高钾血症（血清钾 > 5.5 mmol/L），结果敏感性约为 90%，特异性约为 55%。

该方法监测简单，如果算法合适，未来易发生高钾血症的患者可以进行每日测量，或者更进一步获得饮食指导、药物指导：降钾药物或需要提示安排紧急透析。

03

动静脉内瘘无创诊断

内瘘听诊音人工智能识别

内瘘听诊是患者内瘘评估的重要手段，护理人员通常根据经验对听到的声音信号做出判断，评估内瘘是否异常。这对护士的要求很高，且结果受主观因素影响。

近期有研究利用高灵敏度的听诊电子头更高的特殊头部，记录瘘管的声音信号。开发专用程序利用人工智能识别AVF狭窄的声音特征信号，并研发了一款便携AVF无创诊断原型装置，用于预测狭窄进展，准确度约为 80%。

机器学习对AV进行F无创诊断的原型装置

系统概念图

通过深度学习算法提取动静脉内瘘听诊音的特征信区分正常音，高调音，哨音，其他杂音，以四类声音信号比例来评估血液透析动静脉杂音。

光电容积脉搏波检设备测内瘘流量与狭窄

光电容积脉搏波 (PPG) 是一种非侵入性测量方法，通过一侧发光二极管LED向接收测光电二极管PD发出的反射光信号强度测量血管的搏动情况（原理见下图），以此评估 HD患者动静脉瘘的质量。指标有两个：血流量（ BFV）和狭窄程度（ DOS）。

PPG原型设备

其基本原理为大家熟悉的朗伯比尔定律，研究人员以大量数据为基础，结合机器识别算法，开发了小型AVF评估设备，尺寸约：95*33mm,150g。此检测手段克服了上述声学原理的噪音信号干扰问题，验证准确率可达88.61%。

原型机应用展示

写在最后

人工智能应用于医疗已不是新鲜事，美国FDA 2020年修改了医疗设备使用人工智能AI/机器学习ML软件的相关条例，正式批准 15 个涉及医学领域的 AI深度学习平台开放应用（例如，智能手表房颤检测、脑出血CT诊断、冠状动脉钙化评分等）。然而，在透析领域人工智能与临床的结合实施仍处于起步阶段。上述获得 FDA 批准的成功案例均未见于肾脏替代疗法或透析设备。

在未来几年，人们可能会见证人工智能AI/机器学习ML 设备的出现，这些设备有助于管理透析患者，从而提高生活质量与生存率。实现实时监测、生物反馈、持续改变处方，由 AI / ML 提供的数据分析可能会在医疗决策中发挥重要作用。当然，这还远未成为主流。

新技术需要首先验证准确性、明确改善临床结果、存在成本效益才能够应用于临床。虽然智能医学的数据可靠性与算法缺陷可能带来的假阳性“诊断”与“建议偏离”，也一直为学界所担忧。但未来已来，将至已至，我始终相信科技驱动变革，期待未来。

参考文献

1、 Galloway C, Valys A, Shreibati J, et al. Development and Validation of a Deep-Learning Model to Screen for Hyperkalemia From the Electrocardiogram. JAMA Cardiol. 2019;4(5):428-436. doi:10.1001/jamacardio.2019.0640

2、 Kooman J , Wieringa F, Han M , et al. Wearable health devices and personal area networks: Can they improve outcomes in haemodialysis patients?[J]. Nephrology Dialysis Transplantation, 2020, 35(Supplement_2):ii43-ii50.

3、 Alvis B D , Polcz M , Miles M , et al. Non-invasive venous waveform analysis (NIVA) for volume assessment in patients undergoing hemodialysis: an observational study[J]. BMC Nephrology, 2020, 21(1).

4、 Chiang PY, Chao PC, Tu TY, et al. Machine Learning Classification for Assessing the Degree of Stenosis and Blood Flow Volume at Arteriovenous Fistulas of Hemodialysis Patients Using a New Photoplethysmography Sensor Device. Sensors (Basel). 2019;19(15):3422. Published 2019 Aug 4. doi:10.3390/s19153422

5、 Sanmartin C D , Cabezuelo A S , Belmonte A A . The impact of artificial intelligence and big data on end-stage kidney disease treatments[J]. Expert Systems with Applications, 2021.