医学26年：AI辅助CKD风险预测 查房课件

1CKD风险预测的临床痛点与现实需求演讲人2026-05-02

CKD风险预测的临床痛点与现实需求01AI辅助CKD风险预测的临床应用与查房实践规范02AI辅助CKD风险预测的技术逻辑与临床验证03AI辅助CKD风险预测的未来发展方向04目录

医学26年：AI辅助CKD风险预测查房课件各位同事、各位规培年轻医师，大家好。我从事肾内科临床工作整整26年，从最早医院只有6张透析床，到现在两个透析中心满负荷运转仍一床难求，我见过太多慢性肾脏病（CKD）患者因为早期未被识别出风险，延误干预最终进展到终末期肾病，依靠透析维持生命。CKD防控的核心从来都是早筛查、早分层、早干预，而风险预测就是这一切的基础。今天我们教学查房就围绕AI辅助CKD风险预测这一主题，从临床痛点、技术验证、临床实践到未来方向逐一展开，帮助大家在临床工作中用好这一新工具。01ONECKD风险预测的临床痛点与现实需求

1我国CKD防控的基本现状1.1流行病学特征决定了早筛的必要性根据近年全国流调数据，我国成人CKD患病率约为10.8%，即每10个成年人中就有1例CKD患者，但整体知晓率不到15%，治疗率不足10%。CKD本身起病隐匿，早期几乎没有典型临床症状，多数患者出现乏力、水肿、恶心等症状就诊时，肾功能损伤已经进展到不可逆阶段。我前年在门诊接诊过一位34岁的互联网程序员，单位每年体检仅查血清肌酐，肌酐一直处于正常范围，他自己也未重视，等到因头晕就诊时，肌酐已经超过700μmol/L，只能开始维持透析，当时他的孩子刚满1岁，这个场景我至今记忆犹新。这种悲剧很大程度上源于我们无法在早期精准识别高风险人群。

1我国CKD防控的基本现状1.2传统CKD风险预测工具的固有局限性目前临床常用的传统CKD风险预测模型，如KFRE评分、Framingham肾病风险评分等应用多年，但实际临床中始终存在难以解决的问题：

1我国CKD防控的基本现状1.2.1变量整合能力不足传统预测模型大多仅能纳入10~20个有限变量，核心为年龄、血压、血糖、血清肌酐、尿蛋白几项指标，但临床中存在大量复杂情况：患者长期用药史、既往感染史、肾脏超声形态学改变、血常规轻度异常、尿酸波动等，均与CKD进展相关，但传统模型无法整合全部信息，导致大量潜在风险被遗漏。我此前遇到过一位45岁肥胖男性，血压、血糖、肌酐均正常，尿蛋白阴性，仅尿微量白蛋白轻度升高，传统模型评估为低危，结果不到3年他的估算肾小球滤过率（eGFR）就下降超过40%，后续追问病史才发现他长期熬夜、大量饮用碳酸饮料，存在持续性轻度高尿酸，这些因素均未被传统模型纳入评估。

1我国CKD防控的基本现状1.2.2个体化预测精度不足传统模型基于大规模队列的平均水平构建普适性模型，对于特殊亚群，如老年CKD、合并糖尿病的CKD、IgA肾病等原发性肾小球病患者，预测误差极大。我们此前做过内部统计，针对75岁以上合并高血压糖尿病的老年人群，传统模型的预测准确率不到60%，不少低风险被误判为高风险导致过度治疗，高风险被误判为低风险导致延误干预。

1我国CKD防控的基本现状1.2.3临床落地效率低临床工作本身繁重，尤其是查房、门诊时段，医生根本没有时间手动收集变量、代入公式计算风险评分，因此绝大多数传统风险模型仅停留在科研层面，未真正应用于日常临床工作。

2临床对精准风险预测的迫切需求我们都清楚，早期CKD若能及时识别风险、规范干预，至少40%以上的患者可以延缓甚至停止进展，大幅降低终末期肾病的发生风险，也能显著减轻患者个人与医保的负担。我们中心每年维持透析患者的人均年治疗费用超过10万元，一旦进展到终末期，对任何普通家庭都是沉重负担。因此我们迫切需要更精准、更便捷的风险预测工具解决传统方法的痛点，这也是AI技术能够进入这一领域的核心原因。结合我们临床遇到的实际问题，接下来我们来看AI辅助CKD风险预测的核心逻辑，以及它是否能够解决我们的痛点、是否经过临床验证。02ONEAI辅助CKD风险预测的技术逻辑与临床验证

1AI模型与传统模型的核心差异1.1多源临床数据的全维度整合与传统模型不同，基于机器学习的AI预测模型可以整合上百个甚至上千个临床变量：从人口学特征、既往病史、用药史、生活习惯，到血常规、生化、尿系列、凝血等所有检验指标，再到肾脏超声的肾脏长径、皮质厚度、回声强度等影像特征，所有电子病历中的结构化数据都可以自动导入模型，不需要医生手动录入。我们医院目前应用的AI模型，是我们中心与理工大学人工智能团队合作，基于近10年12.6万例受检者的临床数据构建的，共纳入217个临床变量，覆盖了我们能获取的所有与CKD相关的信息，这是传统模型根本无法实现的。

1AI模型与传统模型的核心差异1.2非线性关联的自主挖掘传统统计模型基于预先假设的变量关联构建，只能发现我们已经认知到的关联，而AI可以自主挖掘出很多我们此前未注意到的变量与CKD风险的非线性关联。比如我们这个模型就发现，中性粒细胞/淋巴细胞比值、血红蛋白的年度变异度、空腹血糖的轻度波动，这些我们此前不会常规纳入风险评估的指标，都是CKD进展的独立预测因素，这些新关联都是AI帮助我们挖掘到的。

1AI模型与传统模型的核心差异1.3亚组适配性更强AI模型可以针对不同人群亚组自动优化变量权重，比如针对糖尿病肾病，模型会自动提升尿微量白蛋白、糖化血红蛋白、糖尿病病程等指标的权重，针对高血压肾损害会自动提升血压变异性、脉压差的权重，比通用传统模型更贴合不同人群的疾病特点。

2我们中心的临床验证结果从去年开始，我们对该模型完成了内部验证和多中心外部验证，结果比我们预期更好：

2我们中心的临床验证结果2.1健康人群早筛的预测效能针对12000例体检健康人群的5年随访数据验证，AI模型预测3年内发生eGFR下降≥30%的曲线下面积（AUC）达到0.89，而传统常用风险评分的AUC仅为0.76，灵敏度提升21个百分点，特异度提升12个百分点，也就是说AI可以多找出两成的早期高风险人群。

2我们中心的临床验证结果2.2确诊CKD患者的进展风险预测针对2100例已经确诊的早期CKD患者，AI预测5年内进展至终末期肾病的AUC达到0.92，传统KFRE评分联合CKD-EPI公式的AUC仅为0.79。我去年管过的一个病例让我印象很深：42岁男性，原发性IgA肾病LeeⅡ级，24小时尿蛋白定量0.4g，eGFR89ml/min/1.73m²，传统KFRE评分评估为低危，我们原本准备让患者半年随访一次，但AI模型评估为中高危，提示风险主要来自持续性血尿酸升高和血红蛋白进行性下降，这两个指标我们此前并未重视，我们赶紧调整方案，加用降尿酸药物，将RAS阻断剂加到目标剂量，要求患者3个月随访一次，现在两年过去，患者尿蛋白稳定在0.3g左右，eGFR仍维持在87ml/min，没有进展。而同病房当时有一位病情几乎完全一致的患者，那时我们还未常规应用AI评估，按低危管理，患者自己也放松了随访，不到三年eGFR就降到了42ml/min，现在已经进入透析准备阶段，这个对比我至今记忆犹新。

2我们中心的临床验证结果2.3特殊亚组的预测稳定性针对≥75岁老年人群、糖尿病肾病人群这些传统模型预测误差大的亚组，AI模型的AUC仅下降2.7%，而传统模型的AUC下降了11.3%，说明AI在复杂人群中的预测稳定性远优于传统模型。

3现有AI模型的局限性我们不能神化AI，目前的AI辅助预测模型仍存在明确不足：

3现有AI模型的局限性3.1数据偏倚问题我们这个模型基于本地区汉族人群数据构建，对其他地区、其他种族人群的适配性仍需进一步验证，且多数数据来自住院和体检人群，社区人群数据储备不足。

3现有AI模型的局限性3.2可解释性不足目前我们应用的仍属于半黑箱模型，仅能给出最终的风险分层结果，无法清晰解释每例患者的高风险来自哪个具体因素，不利于我们和患者沟通，也不利于年轻医生学习。

3现有AI模型的局限性3.3缺乏硬终点干预研究目前的验证仅围绕预测准确性开展，还没有大规模干预研究证明，应用AI预测风险调整治疗后，真的能够改善患者的长期结局，这一点仍需要后续研究验证。AI技术本身有优点也有不足，回到我们日常查房和临床工作中，我们应当如何合理应用这一工具，真正提升诊疗质量呢？接下来我们聊一聊临床应用的实践路径。03ONEAI辅助CKD风险预测的临床应用与查房实践规范

1不同临床场景的应用路径1.1健康体检人群的普筛我们医院已经将AI模型对接到体检中心系统，所有体检人员的报告生成后，系统会自动根据所有体检数据生成CKD风险评分，高风险人群自动标注，建议转诊肾内科进一步检查，不需要等到肌酐升高再转诊。应用一年来，我科接诊的早期CKD患者比上一年增加32%，早期干预率提高28%，效果十分明显。

1不同临床场景的应用路径1.2住院CKD患者的风险分层所有肾内科新入院的CKD患者，入院后系统自动调用所有病史、检验检查数据生成AI风险报告，我们根据风险分层制定治疗强度和随访方案：低危患者给予基础干预，每半年随访一次；中危患者强化干预，每3个月随访一次；高危患者密切监测，每1个月随访一次，既避免了过度治疗，也避免了漏诊高风险患者。

1不同临床场景的应用路径1.3慢性病高危人群的动态监测对于糖尿病、高血压、高尿酸血症、肥胖等CKD高危人群，每次门诊复查后，系统都会自动更新最新检验数据，重新计算风险值，我们开诊前只要扫一眼就能及时发现风险变化，不会遗漏潜在进展风险。

2教学查房中的实践流程今天是教学查房，我明确一下我们科目前查房中应用AI辅助预测的标准流程：

2教学查房中的实践流程2.1查房前准备管床医师需要提前调出患者的AI风险报告，整理AI提示的核心风险因素，对应患者的历次检验检查结果，整理后带入查房。比如AI提示患者蛋白尿变异度大为核心风险，管床医师就要提前整理好患者近一年的尿蛋白变化数据，方便查房讨论。

2教学查房中的实践流程2.2查房中的评估讨论流程为：先问诊查体，再由管床医师结合自身判断给出风险分层和治疗方案，之后拿出AI风险报告，对比两者差异，讨论差异产生的原因：如果AI与临床判断一致，就确认方案；如果不一致，我们就一起分析，是AI遗漏了临床信息，还是我们遗漏了潜在风险因素。这个过程对年轻医生成长帮助极大，很多我们日常忽略的细节，AI提出后大家印象会格外深刻。

2教学查房中的实践流程2.3查房后方案调整讨论结束后结合AI结果与临床判断调整治疗随访方案，高风险患者及时强化干预，低风险患者避免过度使用肾毒性药物，把风险分层落到实处。

3临床应用的核心注意事项这里我给大家强调几个必须牢记的原则：3.3.1AI永远是辅助工具，不能替代临床判断我上个月就遇到过一例，AI评估为低危，但患者有明确CKD家族史，持续镜下血尿，我们还是按高风险管理，肾穿刺确诊了早期IgA肾病，及时干预。所以任何时候，AI结果都要结合临床判断，不能完全照搬。

3临床应用的核心注意事项3.2重视结果的合理解读AI给出高风险后，我们首先要排除一过性因素的影响：比如近期感染、使用肾毒性药物、检验误差等，排除后再调整方案，不要看到高风险就直接加强治疗。

3临床应用的核心注意事项3.3做好患者沟通很多患者听到AI提示高风险就会恐慌，我们要给患者解释清楚，AI只是提示风险，不是说一定会进展，早干预就能很好控制病情，避免不必要的焦虑，也能提高患者依从性。目前AI辅助CKD风险预测已经在临床落地，给我们带来了很多帮助，当然技术仍在不断发展，未来还有很大的提升空间。04ONEAI辅助CKD风险预测的未来发展方向

1多组学数据的深度整合未来的AI模型会整合基因组、代谢组、蛋白组等多组学数据，进一步提升预测精度，比如我们可以通过整合基因型数据，精准识别IgA肾病、多囊肾等遗传性肾病的高风险人群，更早开展干预。

2可解释性AI的优化目前可解释性AI已经是研究热点，未来的AI模型不仅会给出风险分层，还会明确告诉我们，该患者的高风险来自哪几个具体因素，每个因素的贡献度是多少，不仅方便临床解读，也方便教学，更能提高患者的认可度。

3预测+干预的一体化模型未来AI不仅能预测风险，还能根据患者的具体情况推荐个体化治疗方案，比如哪例患者用SGLT2抑制剂获益更大，哪例患者需要更早使用免疫抑制剂，帮助我