人工智能辅助诊疗脓毒症相关急性肾损伤专家共识（2026 版）

人工智能辅助诊疗脓毒症相关急性肾损伤专家共识（2026版）【摘要】

脓毒症相关急性肾损伤（sepsis-associatedacutekidneyinjury,SAKI）病情进展隐匿、异质性强，早期识别与精准分层难度大。人工智能技术可为SAKI早期预警、风险分层、疗效评估提供新手段。该共识针对SAKI诊疗的10个临床问题，形成了13条推荐意见；旨在规范人工智能技术在SAKI诊疗中的临床应用，实现早期识别、动态监测与个体化干预，改善重症患者预后。【关键词】

脓毒症相关急性肾损伤；人工智能；专家共识脓毒症相关急性肾损伤（sepsis-associatedacutekidneyinjury,SAKI）是脓毒症最常见的并发症之一，40%～60%的脓毒症患者合并急性肾损伤（acutekidneyinjury,AKI），病死率较单纯脓毒症患者升高，且具有较高的慢性肾脏病进展风险[1]。目前临床诊断主要依据改善全球肾脏病预后组织（KidneyDiseaseImprovingGlobalOutcomes,KDIGO）标准，依赖血清肌酐和尿量变化，但肌酐升高往往滞后于肾损伤发生48h以上，导致干预时机延迟[2]。此外，脓毒症病理生理差异大，不同患者对液体复苏、肾脏替代治疗（renalreplacementtherapy,RRT）及血管活性药物的反应各不相同，传统评分系统如序贯器官衰竭评估（SequentialOrganFailureAssessment,SOFA）、急性生理与慢性健康评估Ⅱ（AcutePhysiologyandChronicHealthEvaluationⅡ,APACHEⅡ）等评分对SAKI的特异性风险评估能力有限[3]。近年，机器学习技术通过分析电子病历中的多维度生理参数和实验室指标，为SAKI早期识别提供了有效工具。基于重症监护病房（intensivecareunit,ICU）入院24h内的临床数据，模型可预测后续48h内AKI的发生风险，部分集成学习模型可在AKI发生前12～48h识别高风险患者，其预测效能优于传统临床评分[4]。深度学习算法可识别SAKI的分子亚型与临床表型，实现风险分层[5]。因果机器学习方法有助于预测患者对限制性液体治疗的反应性，辅助优化RRT启动时机。这些技术可将被动治疗转为主动预防，为个体化管理提供决策支持。然而，现有模型多基于单中心回顾性数据开发，外部验证不足，临床可解释性有待提高，且缺乏统一的技术标准和应用规范。部分模型在真实临床环境中的预测稳定性尚未得到充分验证。为规范相关技术在SAKI诊疗中的应用，安徽省医师协会急救复苏与灾难医学专委会联合国内相关领域权威专家制定本共识，围绕人工智能（artificialintelligence,AI）辅助SAKI早期筛查、诊断分型、治疗决策及预后评估等临床关键问题，提出具体推荐意见，以期为临床医师提供循证指导。1共识制定过程及推荐依据本共识由重症医学、急诊医学、循证医学、肾脏病学、医学信息学等多学科领域专家组建团队共同制定，已在国际实践指南注册与透明化平台（PREPARE）完成注册，注册号：PREPARE2026CN1441。共识适用人群为成人ICU的SAKI患者，儿童、新生儿及妊娠期人群不纳入本共识适用范围。共识筹备组首先面向专家团队公开征集关键临床问题，汇总初步议题；专家组首先开展系统性文献检索工作，严格遵循PICO原则，针对每一项推荐内容，均从研究人群、干预措施、对照方案、结局指标4个维度实施检索。其中，研究人群限定为SAKI患者，干预措施为AI辅助诊疗方案，对照方案为常规临床治疗，结局指标涵盖病死率、ICU住院时长、机械通气持续时间、RRT治疗时间等核心临床指标。对所有议题进行梳理、合并、剔除重复问题，形成初始临床问题清单。检索范围涵盖PubMed、Scopus、Embase®、CochraneCentralRegisterofControlledTrials（CENTRAL）、WebofScience、medRxiv等外文数据库，以及万方数据库、中国知网等中文数据库；检索关键词包含脓毒症（Sepsis）、机器学习（Machinelearning）、AI（Artificialintelligence）、预后评估（Prognosticassessment）、早期预警（Earlywarning）、强化学习（ReinforcementLearning）等；检索时间从建库至2026年3月31日。专家组系统收集AI辅助诊疗SAKI的相关文献，包括系统评价、论著（含随机对照试验及观察性研究），针对证据不足的领域，必要时采用Meta分析方法进行证据合并。依据GRADE标准，为每一条推荐意见制定证据质量分级表，将文献证据划分为A（高）、B（中）、C（低）、D（极低）4个等级[6]；同时结合证据质量，通过德尔菲法达成专家共识，明确推荐强度为强推荐或弱推荐。共识制定过程中，专家组通过3轮在线研讨或书面征集意见的方式完善内容，每轮研讨均反馈上一轮共识结果，最终每条推荐意见经80%以上专家认可后予以确定。由于当前证据基础薄弱，13条推荐意见中，多数推荐为临时性，将随新证据的出现而更新。同时专家组明确，AI仅作为临床辅助决策工具，不能替代临床医师的综合判断。2辅助临床判别相关临床问题2.1临床问题1：AI模型用于SAKI早期筛查时，应优先纳入哪些临床指标，才能兼顾筛查的敏感性与特异性，且符合临床常规检测流程？证据总结：现有证据表明，单纯依赖传统KDIGO诊断框架中的血清肌酐和尿量虽然仍是AI模型构建的基础，但其本身存在肌酐升高滞后、尿量受液体复苏和利尿剂干扰的局限，因此AI模型更适合将肾脏指标与灌注、炎症、器官功能障碍及治疗暴露等多维变量联合纳入，以捕捉SAKI发生前的复杂风险模式[7-9]。KDIGO指南指出，尿量较肌酐对肾小球滤过率急剧下降的反应更快，而同时使用尿量与肌酐可提高AKI识别率，避免单用肌酐漏诊[8]。2024年一项针对SAKI预测模型的范围综述纳入25项研究后显示，最常用的5类预测因子依次为血清肌酐、乳酸、年龄、血尿素氮和糖尿病[10]。此外，近期一项多中心动态模型研究显示，在基于入住ICU前24h数据预测48h和7d中重度SAKI时，尿量、机械通气、SOFA评分、肌酐、格拉斯哥昏迷评分和肾毒性药物使用是最具解释力的共享特征，其中尿量在两个时间窗内均为最重要变量[1]。另一项基于重症监护医学信息数据库（MedicalInformationMartforIntensiveCare,MIMIC-IV）的研究则显示，首日尿量、牛津急性疾病严重程度评分、入ICU病区、氧分压和血糖在轻量梯度提升机（lightgradientboostingmachine,LightGBM）模型中贡献较大，也支持AI模型应尽量纳入动态生命体征、氧合和代谢指标，而不局限于肾脏单器官变量[11]。目前证据支持生物标志物作为增强变量，而非替代基础临床变量。急性透析质量倡议相关研究和后续临床研究表明，AKIRisk评分［（尿组织金属蛋白酶抑制因子-2×胰岛素样生长因子结合蛋白-7浓度乘积）/1000］可补充传统分期体系，对AKI分层及预后判别有增益价值；在脓毒症人群中，该指标较单纯血清肌酐更早提示严重AKI风险，并在加入APACHE、SOFA、肌酐和液体平衡等临床变量后进一步提升模型曲线下面积（areaundercurve,AUC）[7,12-13]。同时，近年来综述也提示中性粒细胞明胶酶相关脂质运载蛋白、胱抑素C、Proenkephalin、CCL14等指标在SAKI早期识别和进展评估中具有潜力，但目前异质性较大、检测可及性不一，因此在共识层面更适合作为具备条件中心的补充变量，而不应取代血清肌酐、尿量、乳酸和器官功能评分等基础输入[9,14]。推荐意见1：构建SAKI早期筛查AI模型时，可考虑优先纳入血清肌酐动态变化、尿量、血乳酸、SOFA评分等核心指标，并结合年龄、血尿素氮、重要合并症、肾毒性药物暴露等参数；在具备条件的中心，可考虑优先整合AKIRisk评分等生物标志物，同时中性粒细胞明胶酶相关脂质运载蛋白、胱抑素C等可作为探索性补充变量，以提升早期预警效能（推荐强度：弱推荐；证据等级：C）。2.2临床问题2：对于脓毒症患者，AI模型预测SAKI发生的最佳时间节点如何界定？证据总结：SAKI传统诊断指标存在显著滞后性，通常在肾功能已发生实质性损伤后才出现异常，错失最佳干预窗口。目前，关于预测时间节点的选择尚未形成统一标准，不同研究采用了从数小时到数天不等的预测窗口，而预测节点的选择直接影响模型的临床适用性及预警价值[3-4]。通过系统检索文献，共获得了12项评估AI模型预测SAKI的相关研究（含原始研究和系统综述），其中包括3项以入住ICU后48h内发生中重度AKI（KDIGO2～3期）或早期临床恶化为预测终点的研究[1,14-15]，5项以7d内AKI发生或死亡风险为预测终点的研究[1,4,16-18]，1项以ICU住院期间任意时间点AKI发生为结局指标的原始研究[11]，及1项对入住ICU48h内已发生AKI的脓毒症患者进行住院期间任意时间点预后分型的原始研究[19]，另有2篇系统综述对相关预测模型进行了方法学总结[10,20]。对所有原始研究进行了Meta分析，并形成GRADE证据表格，同时通过评估不同预测时间节点的模型区分度和临床适用性来做出推荐意见。Meta分析结果显示，以48h为预测节点的模型在外部验证中表现出较高的区分度，汇总AUC为0.82［95%置信区间（confidenceinterval,CI）（0.78，0.86）］[1,16,21]，而以7d为预测节点的模型汇总AUC为0.79［95%CI（0.74，0.84）］，两者之间差异无统计学意义[1,17]。然而，针对ICU住院期间任意时间点AI的预测模型，其外部验证性能显著下降，汇总AUC仅为0.71［95%CI（0.66，0.76）］，且各研究间异质性较大（I2=86%，P<0.01）[22]。进一步分析发现，以48h为节点的模型能够更准确地识别出需要早期液体复苏及血流动力学干预的高危患者，而7d节点则更有利于评估持续性肾损伤风险及指导抗生素和肾毒性药物的调整策略[1,5]。一项基于多中心数据库的研究明确提出了双时间节点（48h和7d）的预测策略，利用患者入住ICU后首24h的临床数据分别预测两个时间点内中重度AKI的发生风险，模型在内部及外部验证中均表现稳定[1]。由于纳入的研究主要为回顾性队列研究，缺乏前瞻性外部验证及随机对照试验证据，且不同研究对AKI的诊断标准存在差异，因此48h和7d节点模型的证据质量为B级，任意时间点模型为C级，均为弱推荐[5-6,20,22]。推荐意见2：可考虑在脓毒症患者中采用基于入住ICU后首24h临床数据的双时间节点（48h和7d）机器学习模型，预测中重度SAKI（KDIGO2～3期）的发生风险，以实现早期预警与动态风险评估（推荐强度：弱推荐；证据等级：B）。2.3临床问题3：不同AI预测模型的效能差异如何？证据总结：在SAKI的AI预测模型中，集成学习模型相较于传统单一算法具有系统性的效能优势。Li等[20]发表的一项系统综述对9项SAKI死亡率预测研究进行了全面评估，共识别出18种不同的机器学习算法，其中随机森林（randomforest,RF）和极端梯度提升（extremegradientboosting,XGBoost）是使用最为广泛的算法。该综述报告的内部验证AUC范围在0.70～0.87。XGBoost在外部验证中持续表现出稳健的预测性能，但仅有4项研究完成了外部验证，多数研究仅停留在内部验证阶段[20]。在模型效能头对头比较方面，集成学习模型展现出明确的优越性。Qian等[23]基于MIMIC-Ⅲ数据库系统比较了逻辑回归、支持向量机、RF、XGBoost、LightGBM和卷积神经网络6种模型的AKI预测性能；结果显示，LightGBM表现最优，平均AUC达到0.905；XGBoost位列第二；而逻辑回归、RF和支持向量机的AUC表现相似（P=0.082、0.158、0.710）；卷积神经网络模型的各项指标得分最低；这说明模型架构选择对预测效能具有决定性影响[24]。此外，Jiang等[4]针对持续性SAKI预测的多中心研究显示，梯度提升机（gradientboostingmachine,GBM）模型在内部验证中AUC达0.870，在MIMIC-Ⅲ子集外部验证中AUC达0.891，在电子重症监护病房协作研究数据库的数据集中AUC达0.932。在中重度SAKI（KDIGO2～3期）的预测模型中，LightGBM同样表现出良好的预测能力。Ge等[1]采用双时间点（48h和7d）预测模型的研究结果显示，LightGBM模型在48h预测任务的内部测试集AUC为0.839，在两个外部验证队列中AUC分别为0.770和0.793。此外，Li等[24]针对1年死亡率预测的研究显示，CatBoost（CategoricalBoosting）模型表现最佳。然而，效能差异的比较不能仅关注AUC这一单一指标。Li等[10]开展的范围综述对25项SAKI预测模型研究进行了系统梳理，发现早期识别模型占60%，预后预测模型占32%，亚型识别模型仅占8%，且研究质量普遍不高，主要问题包括单一数据源、缺乏临床效用评估、模型偏倚评估不足等。因此，在评估不同AI模型的效能差异时，需要同时考察区分度和校准度两个维度，任何单一指标的优越性都不足以支撑全面的效能判断。推荐意见3：在SAKI的风险预测（包括死亡率、持续性AKI及中重度AKI）中，推荐选用LightGBM、XGBoost、GBM或CatBoost等集成学习模型。但在选择具体模型时，建议综合评估区分度和校准度两类指标，优先选择经过多中心外部验证且校准性能良好的模型（推荐强度：强推荐；证据等级：B）。推荐意见4：在SAKI预测AI模型的临床应用中，推荐采用可解释性方法增强模型的透明度和临床信任度。结合决策曲线分析评估模型的临床净获益，优先选择已转化为临床可用工具的模型，促进模型开发与临床应用之间的转化（推荐强度：强推荐；证据等级：B）。2.4临床问题4：对于不典型表现的脓毒症患者，AI模型能否有效区分SAKI与非SAKI？证据总结：在临床实践中，部分脓毒症患者呈现不典型表现，如无明显少尿、肾功能指标仅轻度异常，导致SAKI与其他原因（如低血容量、肾毒性药物、造影剂相关肾损伤等）所致的肾损伤难以区分。由于缺乏典型标志，这类不典型SAKI往往被漏诊或延迟诊断，导致最佳干预时机丧失，严重影响患者预后[25]。基于LightGBM算法的双时间点SAKI预测模型研究，纳入MIMIC-IV、电子重症监护病房协作研究数据库及中国单中心3个独立数据库共28819例患者，结果显示该模型在48h预测任务中AUC达0.839［95%CI（0.824，0.854）］，在多中心外部验证中AUC分别为0.770和0.793，模型区分度良好[1]。另一项基于多组学整合（代谢组学+蛋白质组学）联合机器学习构建的IC3诊断模型，整合3-羟基丁酸、肌酸、肌苷三种核心代谢物，在临床队列中区分SAKI与脓毒症患者的AUC达0.90，显示出较高的诊断准确性[26]。同时，一项系统评价显示，AI模型在不同医疗机构间的性能通常较开发数据集有所下降，模型在外部验证中的AUC平均降低0.037［95%CI（−0.052，−0.027）］，其中49.5%的研究AUC降低超过0.05[27]。此外，现有研究多以回顾性设计为主，缺乏前瞻性随机对照试验证据[28]。因此，在临床应用时需关注模型的适用人群与本地数据适配性。推荐意见5：对于不典型表现的脓毒症患者，可考虑使用AI辅助模型协助区分SAKI与非SAKI（推荐强度：弱推荐；证据等级：B）。推荐意见6：临床应用AI模型时，需结合临床综合评估，充分关注模型适用人群及其与本地数据适配性，避免过度依赖单一模型的预测结果（良好实践声明）。3辅助治疗相关临床问题3.1临床问题5：相较于传统液体复苏策略，AI辅助的液体复苏方案能否改善SAKI患者临床预后？证据总结：SAKI患者的液体复苏管理需权衡肾脏灌注维持与液体超负荷风险。液体复苏是维持肾灌注、防止AKI进展的重要措施，但过量输注可导致液体蓄积，加重肾损伤并增加死亡风险。由于SAKI患者对液体治疗的反应存在显著异质性，传统标准化的液体复苏策略难以满足个体化治疗需求。近年研究表明，基于因果推断和深度学习的机器学习模型可估计异质性治疗效应，识别能从特定液体策略获益的特定人群，为精准液体管理提供了新的技术手段。通过系统检索文献，共纳入2项评估AI指导液体复苏策略在SAKI患者中应用的研究。Oh等[29]采用因果森林算法开发并外部验证了限制性液体策略（AKI发生后24h内静脉液体<0.001），30d主要不良肾脏事件发生率更低（17.1%vs.34.6%，P=0.003）。Kang等[30]利用深度学习因果推断模型分析13527例脓毒性休克患者数据，发现模型提示乳酸林格液联合白蛋白相比单纯生理盐水具有潜在获益，且模型可识别不同患者特征（如SOFA评分、白蛋白水平）与液体疗效的关联。上述研究均为回顾性观察性设计，存在残余混杂风险，且外部验证队列的置信区间较宽，证据质量为C级。推荐意见7：可考虑在SAKI患者中应用基于因果机器学习的临床决策工具，可用于研究性辅助分层（推荐强度：弱推荐；证据等级：C）。3.2临床问题6：相较于传统RRT策略，基于AI模型的RRT决策能否改善SAKI患者临床结局？证据总结：SAKI病情进展迅速，RRT决策不仅涉及是否启动，还包括启动时机、治疗参数调整及撤离评估等多个环节。然而，传统RRT决策主要依赖血肌酐、尿量、电解质紊乱及酸碱失衡等指标，存在一定滞后性；同时，围绕早期或延迟启动RRT的随机对照试验结论并不一致，提示单一策略难以适用于所有危重AKI患者[31]。目前，AI在RRT启动时机判断中的应用主要体现在两方面。一是基于AKI早期静态数据构建预测模型，利用血肌酐、尿量、尿素氮、血钾、乳酸、SOFA评分及血流动力学支持等参数，对后续RRT需求进行风险分层。相关研究显示，机器学习模型在预测RRT需求方面优于单纯临床经验判断，提示AI可提高对RRT高风险患者的早期识别能力[32]。二是基于动态时序数据的预警模型，通过整合电子病历中的连续尿量、血压、乳酸及肾功能变化趋势，识别AKI持续恶化的高风险轨迹，从而为临床提前进入RRT评估提供参考[33]。需要指出的是，这类模型多以AKI进展或RRT需求为终点，而非直接给出最佳启动时点；但由于AKI持续加重通常提示液体与代谢管理难度上升，因此可作为RRT启动决策的重要前置信号。与启动时机判断相比，RRT启动后的管理更强调动态优化。现有研究提示，AI在这一阶段的应用主要集中于特定任务，如滤器凝血风险预测、抗凝管理及RRT撤离评估。已有机器学习模型可较好预测RRT过程中滤器凝血风险，为抗凝策略调整提供支持[34]。此外，强化学习能够根据患者状态变化持续更新决策，被认为在超滤速度、透析剂量等动态处方优化方面具有潜力，但目前相关证据仍主要来自其他连续治疗场景，尚缺乏针对RRT参数优化的成熟临床研究。在疗效评估方面，基于MIMIC-IV等数据库建立的预测模型已可用于辅助判断患者是否具备撤离RRT的条件，提示AI在肾功能恢复评估和RRT撤离时机判断中具有一定应用前景[35]。总之，AI有望通过整合高维、动态临床信息，为SAKI患者RRT启动、过程管理及撤离评估提供辅助参考。然而，现有证据仍以回顾性研究为主，研究终点和预测窗口差异较大，外部验证和前瞻性临床评价不足；同时，数据异质性、模型可解释性不足及临床工作流整合困难，仍限制其实际应用。因此，现阶段AI更适合作为临床决策支持工具，而不能替代医生判断。推荐意见8：暂不形成推荐意见（证据等级：D）。基于现有证据，尚不足以就AI在优化SAKI患者RRT启动时机、参数调整及撤离评估方面提出明确临床推荐，仍需开展多中心前瞻性研究及高质量随机对照试验进一步验证。3.3临床问题7：相较于常规抗菌药物治疗，AI辅助优化抗菌药物治疗能否改善SAKI患者临床预后？证据总结：SAKI患者抗菌药物治疗需平衡感染控制与肾毒性风险。常用抗菌药物如万古霉素与哌拉西林-他唑巴坦联合应用时AKI发生率可达31.7%～35.0%，而脓毒症患者药代动力学变异显著，标准给药方案难以实现个体化精准治疗。AI模型可通过整合多维临床数据预测AKI风险，并基于实时药代动力学参数优化给药策略，在保障疗效的同时降低肾损伤风险。通过系统检索文献，共获得2项评估AI辅助优化SAKI患者抗菌药物治疗的研究。Liu等[36]采用拉索回归结合多变量逻辑回归，基于MIMIC-IV数据库构建预测万古霉素联合哌拉西林-他唑巴坦相关AKI风险的列线图模型，纳入体质量指数、SOFA评分、机械通气、降血压药物、血钾及万古霉素总剂量等6项预测因子，模型AUC为0.75［95%CI（0.70，0.81）］，验证集AUC为0.74［95%CI（0.66，0.83）］，决策曲线分析显示在3%～80%风险阈值范围内具有临床净获益。Roggeveen等[37]开展的双中心随机对照试验评估了AutoKinetics决策支持系统对脓毒症患者抗菌药物给药的影响，该系统整合电子病历数据实时计算个体化剂量建议，结果显示对于环丙沙星，干预组24h内药代动力学目标达成率显著优于对照组［69%vs.3%；比值比（oddsratio,OR）=62.5，95%CI（11.4，1173.8），P<0.001］，且目标达成时间缩短26h；高剂量组未观察到AKI发生率或严重程度增加。由于上述研究分别为回顾性观察性设计或提前终止的随机对照试验（样本量受限），证据质量为B～C级。推荐意见9：对于SAKI及SAKI高危患者，可考虑审慎应用经过外部验证的AI辅助工具开展抗菌药物相关AKI风险预测与个体化给药方案优化（推荐强度：弱推荐；证据等级：C）。推荐意见10：AI模型输出仅作为临床参考依据，不考虑以AI工具的计算结果替代临床医师的最终诊疗决策，需结合患者感染状态、肾功能动态变化、药物毒理特征综合判断（推荐强度：弱推荐；证据等级：B）。3.4临床问题8：基于多模态数据构建的AI辅助SAKI患者血管活性药物启动时机与剂量滴定，能否改善患者临床结局？证据总结：SAKI的病理生理机制复杂，传统血管活性药物的启动时机主要依赖血压及尿量变化，存在明显滞后性。整合生命体征、实验室指标、血流动力学参数以及肾脏影像学等信息的多模态数据在AKI预测中展现出优异的判别能力，为血管活性药物启动时机及个体化应用提供了重要依据[38]。其中，OVISS研究采用强化学习模型，整合了14个时序变量（包括去甲肾上腺素剂量、平均动脉压、乳酸、SOFA评分、肾功能指标、尿量、液体平衡等），对来自232家美国医院的14453例脓毒性休克患者进行建模分析。其结果显示，模型推荐的血管加压素启动策略较临床实践更为积极：启动时间更早（休克后4hvs.5h）、对应去甲肾上腺素剂量更低［0.20vs.0.37μg/（kg·min）］，且患者疾病严重程度更低（SOFA评分7vs.9）；当临床实践与模型推荐一致时，患者住院病死率显著降低［OR=0.81，95%CI（0.73，0.91）］，且肾脏替代治疗需求亦明显减少[39]。此外，2026年AIClinician2研究首次在前瞻性真实世界环境中验证强化学习决策支持系统，在纳入860例ICU脓毒症患者（58099个决策节点）后发现，临床决策与AI建议的一致性可显著降低住院病死率［血管加压素相关OR=0.46，95%CI（0.44，0.49）］[40]。血管活性药物的剂量滴定本质上是一个动态调控过程，一时间点的剂量水平难以反映真实治疗反应。基于IMIC-IV数据库的一项研究提出血管活性-正性肌力药物评分下降率作为动态评价指标。该研究利用长短期记忆网络及XGBoost模型，对高时间分辨率数据进行分析，结果显示血管活性-正性肌力药物评分下降率<50%的患者，其ICU及住院死亡率均显著升高[41]。另一项基于无监督聚类的研究将脓毒症患者划分为4种表型亚型，发现不同亚型在血管活性药物剂量及使用时机方面存在显著异质性，并呈明显的剂量-时间依赖效应[42]。上述证据提示，血管活性药物剂量滴定的核心在于动态调整的趋势而非当前剂量值。在多模态数据驱动的剂量优化方面，ChronoSynthNet双任务深度学习模型整合15项临床变量（包括乳酸、血小板计数及血压等），不仅可实时预测去甲肾上腺素需求，还可提前预警低血压事件（中位提前3.5h），其预测性能AUC达0.89，特异度达97%[43]。该模型通过动态特征加权机制，识别不同时相对决策贡献最大的关键变量（乳酸排名首位），从而增强模型的可解释性，并为临床剂量滴定提供依据。需要指出的是，现有研究多集中于脓毒症或脓毒性休克总体人群，尚缺乏针对SAKI特定亚群的高质量证据。然而，从机制上看，血管加压素的早期应用有助于维持肾灌注压，并减少儿茶酚胺介导的肾血管收缩，理论上可能具有肾保护作用。目前相关证据主要来源于回顾性研究及前瞻性队列研究，尚缺乏随机对照试验支持，其证据等级仍然有限。推荐意见11：暂不形成推荐意见（证据等级：D）。基于现有证据，尚不足以就AI在优化SAKI患者血管活性药物启动时机及剂量滴定方面提出明确的临床推荐，仍需开展针对性随机对照研究及高质量前瞻性验证。4预后评估相关临床问题4.1临床问题9：相较于传统预后评分，基于AI模型对SAKI患者短期预后进行评估能否获得更优的预测效能？证据总结：SAKI患者的短期预后评估，核心在于尽早识别院内高风险死亡、肾脏替代治疗需求增加及肾功能恢复不良的高危人群。传统上，SAKI的诊断主要依赖血清肌酐升高和/或尿量减少，但上述指标相对滞后，难以及时反映肾损伤的早期变化，也限制了临床早期干预的时机。目前，基于结构化电子健康记录数据构建的机器学习模型，已经能够利用实验室结果、生命体征及治疗记录，对SAKI的发生风险进行提前数小时至数天的预测[44]。该类识别模型的主要目的在于尽可能提前发现脓毒症患者发生肾损伤的高危状态，为临床医师提供前移干预窗口，从而加强肾功能监测、优化血流动力学管理、减少肾毒性药物暴露及更早识别潜在RRT需求等。系统评价显示，机器学习模型在SAKI患者死亡风险预测中表现出良好性能，训练集AUC范围为0.75～0.99，内部验证集AUC为0.70～0.87，其中XGBoost和LightGBM算法在外部验证中表现稳健[20]。基于5国多中心数据库共27485例SAKI患者的研究，采用GBM算法构建的住院死亡风险预测模型，在4个外部验证队列中AUC范围为0.732～0.778，校准良好且过拟合程度低[45]。但必须指出的是，不同研究对SAKI的预测时间窗设定并不一致，其预测终点可覆盖ICU入院后24、48h，甚至整个ICU住院期间，因此不同模型之间的性能结果可比性有限[46]。此外，部分模型虽在回顾性数据库中表现较好，但仍缺乏充分的外部验证和真实世界前瞻性评估，其临床泛化能力和实际获益尚待进一步确认。总的来说，尽管模型具有较好的性能，但并不意味着能够替代临床判断，AI输出结果仍应与患者感染控制情况、血流动力学状态、器官功能变化及治疗反应综合解读。推荐意见12：AI模型用于辅助SAKI短期预后评估时，尚不能完全替代临床综合判断；对于未经外部验证、缺乏校准评估或可解释性不足的模型，不考虑直接用于常规临床决策（推荐强度：弱推荐；证据等级：B）。4.2临床问题10：相较于传统预后评分，基于AI模型对SAKI患者远期预后进行评估能否获得更优的预测效能？证据总结：SAKI患者的长期预后评估在于尽早识别肾功能持续恶化等高危人群，从而为出院后随访计划制定、肾脏保护策略优化及资源合理配置提供依据。既往研究表明，SAKI并非局限于急性住院阶段的短暂事件，其长期结局常受感染严重程度、炎症反应强度、器官功能恢复轨迹及基础肾功能状态等多种因素共同影响。一项近期队列研究显示，SAKI患者出院后1年内慢性肾病的发病率是非SAKI患者的3倍。此外，相较于非SAKI患者，SAKI患者进展为末期肾病的风险显著增加[47]。与传统基于单一时间节点肌酐或出院时肾功能状态的判断方式相比，AI模型能够整合住院期和出院后多个时间节点的临床信息，包括基线肾功能、AKI分期与持续时间、尿量变化、合并症负担、脓毒症严重程度、机械通气和血管活性药物使用情况、肾脏替代治疗暴露、再住院记录以及随访中的实验室检查和用药信息等，从而对SAKI患者长期的不良结局进行动态预测。通过AI模型作为SAKI患者长期预后评估的重要辅助工具，用于预测肾功能长期恢复、慢性肾脏病进展、终末期肾病风险、远期肾脏替代治疗需求及长期死亡等关键结局，有望提升对高危人群的识别能力，并为更整体、更个体化的患者护理及早期干预提供支持。然而，当前多数模型仍主要来源于回顾性数据库研究，存在终点定义不统一、外部验证不足及不同中心数据异质性较大等问题。因而，AI在SAKI长期预后评估中的应用，应建立在标准化结局定义、充分外部验证、良好可解释性及持续质量控制基础之上，其作用是辅助临床识别高危轨迹和优化随访管理，而非替代医师对患者长期病程的综合判断。推荐意见13：可考虑采用整合住院期与出院后多时间节点信息的AI模型，对SAKI患者远期预后进行辅助预测，以支持个体化随访与高危人群管理，但其应用应限于经过外部验证且性能稳定的模型（推荐强度：弱推荐；证据等级：C）。5小结本共识基于多学科专家合作，系统梳理了国内外关于AI辅助SAKI诊疗的最新研究证据与指南共识。通过严格的文献检索、质量评价及德尔菲专家共识流程，就SAKI的临床诊疗形成了一系列系统性推荐意见。共识明确，当前AI在SAKI领域的应用虽已展现巨大潜力，但仍面临诸多现实挑战。其一，研究质量参差不齐，现有多数研究仍停留在模型训练与内部验证阶段，缺乏高质量、多中心的外部独立验证，导致模型泛化能力与真实世界适用性存疑；其二，现阶段AI在SAKI领域的主要价值在于风险识别、动态分层及辅助决策，而非自主决策液体复苏方案、血管活性药物及抗菌药物使用或RRT治疗，且高质量的前瞻性随机对照试验研究较为匮乏，难以形成强有力的临床证据支撑；其三，证据等级受限，受限于研究设计与数据质量，依据GRADE标准评估，多数推荐意见对应的证据等级偏低，部分结论仅能作为弱推荐，临床应用需结合实际审慎解读。展望未来，期待AI辅助SAKI诊治的研究与实践在以下方面实现突破：一是加强因果推断与模型可解释性研究，理清模型判别思路；二是推动建立中国高质量、多中心SAKI数据库，广泛开展外部验证研究，增加前瞻性静默验证、工作流影响评价、临床结局试验、模型漂移监测及责任治理，夯实证据基础；三是加速研发并部署具备高解释性与临床适用性的AI决策系统，根据不同层级医院信息化水平分层推进，实现有效临床转化。通过持续的学术创新与临床实践相结合，不断提升AI在SAKI早期识别、精准干预及预后改善中的作用，最终为脓毒症患者提供更为个体化诊疗方案。参考文献[1]GeX,ChenW,ShiJ,etal.Predictionofmoderate-to-severesepsis-associatedacutekidneyinjuryusingadual-timepointmachinelearningmodel:development,multiregionalvalidation,andclinicaldeploymentstudy[J].JMedInternetRes,2025,27:e73840.[2]ZhangL,WangZ,ZhouZ,etal.Developinganensemblemachinelearningmodelforearlypredictionofsepsis-associatedacutekidneyinjury[J].iScience,2022,25(9):104932.[3]YueS,LiS,HuangX,etal.Machinelearningforthepredictionofacutekidneyinjuryinpatientswithsepsis[J].JTranslMed,2022,20(1):215.[4]JiangW,ZhangY,WengJ,etal.Explainablemachinelearningmodelforpredictingpersistentsepsis-associatedacutekidneyinjury:developmentandvalidationstudy[J].JMedInternetRes,2025,27:e62932.[5]OhW,VeshtajM,SawantA,etal.ORAKLE:optimalriskpredictionformAke30inpatientswithsepsisassociatedAKIusingdeepLEarning[J].CritCare,2025,29(1):212.[6]GuyattGH,OxmanAD,VistGE,etal.GRADE:anemergingconsensusonratingqualityofevidenceandstrengthofrecommendations[J].BMJ,2008,336(7650):924-926.[7]ZarbockA,NadimMK,PickkersP,etal.Sepsis-associatedacutekidneyinjury:consensusreportofthe28thacutediseasequalityinitiativeworkgroup[J].NatRevNephrol,2023,19(6):401-417.[8]KhwajaA.KDIGOclinicalpracticeguidelinesforacutekidneyinjury[J].NephronClinPract,2012,120(4):c179-184.[9]KounatidisD,TzivakiI,DaskalopoulouS,etal.Sepsisassociatedacutekidneyinjury:what’snewregardingitsdiagnosticsandtherapeutics?[J].Diagnostics(Basel),2024,14(24):2845.[10]LiJ,ZhuM,YanL.Predictivemodelsofsepsis-associatedacutekidneyinjurybasedonmachinelearning:ascopingreview[J].RenFail,2024,46(2):2380748.[11]ShiJ,HanH,ChenS,etal.Machinelearningforpredictionofacutekidneyinjuryinpatientsdiagnosedwithsepsisincriticalcare[J].PLoSOne,2024,19(4):e0301014.[12]BaesemanL,GunningS,KoynerJL.Biomarkerenrichmentinsepsis-associatedacutekidneyinjury:findinghigh-riskpatientsintheintensivecareunit[J].AmJNephrol,2024,55(1):72-85.[13]MolinariL,DelRio-PertuzG,SmithA,etal.Utilityofbiomarkersforsepsis-associatedacutekidneyinjurystaging[J].JAMANetworkOpen,2022,5(5):e2212709.[14]HongL,WangB.Developmentandvalidationofapredictivemodelforinvasiveventilationriskwithin48hoursofadmissioninpatientswithearlysepsis-associatedacutekidneyinjury[J].FrontMed(Lausanne),2025,12:1577154.[15]ZhaoCC,NanZH,LiB,etal.Developmentandvalidationofanovelrisk-predictedmodelforearlysepsis-associatedacutekidneyinjuryincriticallyillpatients:aretrospectivecohortstudy[J].BMJopen,2025,15(1):e088404.[16]MiT,LiX,FangQ,etal.Machinelearningmodelsforpredictingsevereacutekidneyinjuryinpatientswithsepsisinducedmyocardialinjury[J].SciRep,2025,15(1):19563.[17]FanZ,JiangJ,XiaoC,etal.Constructionandvalidationofprognosticmodelsincriticallyillpatientswithsepsis-associatedacutekidneyinjury:interpretablemachinelearningapproach[J].JTranslMed,2023,21(1):406.[18]SunT,YueX,ZhangG,etal.AKIMLpred:aninterpretablemachinelearningmodelforpredictingacutekidneyinjurywithinsevendaysincriticallyillpatientsbasedonaprospectivecohortstudy[J].ClinChimActa,2024,559:119705.[19]TakkavatakarnK,OhW,ChanL,etal.Machinelearningderivedserumcreatininetrajectoriesinacutekidneyinjuryincriticallyillpatientswithsepsis[J].CritCare,2024,28(1):156.[20]LiX,HuX,XuH,etal.Machinelearning-basedmortalityriskpredictionmodelsinpatientswithsepsis-associatedacutekidneyinjury:asystematicreview[J].FrontMed(Lausanne),2025,12:1680180.[21]ZhangZ,HoKM,HongY.Machinelearningforthepredictionofvolumeresponsivenessinpatientswitholiguricacutekidneyinjuryincriticalcare[J].CritCare,2019,23(1):112.[22]LvX,LiuD,ChenX,etal.Machinelearningforthepredictionofmortalityinpatientswithsepsis-associatedacutekidneyinjury:asystematicreviewandmeta-analysis[J].BMCInfectDis,2024,24(1):1454.6.[23]QianQ,WuJ,WangJ,etal.PredictionmodelsforAKIinICU:acomparativestudy[J].IntJGenMed,2021,14:623-632.[24]LiL,GuanJ,PengX,etal.Machinelearningforthepredictionof1-yearmortalityinpatientswithsepsis-associatedacutekidneyinjury[J].BMCMedInformDecisMak,2024,24(1):208.[25]OstermannM,ZarbockA,GoldsteinS,etal.Recommendationsonacutekidneyinjurybiomarkersfromtheacutediseasequalityinitiativeconsensusconference:aconsensusstatement[J].JAMANetwOpen,2020,3(10):e2019209.[26]HuangP,LiuY,LiY,etal.Metabolomics-andproteomicsbasedmulti-omicsintegrationrevealsearlymetabolitealterationsinsepsis-associatedacutekidneyinjury[J].BMCMed,2025,23(1):79.[27]RockenschaubP,AkayEM,CarlisleBG,etal.ExternalvalidationofAI-basedscoringsystemsintheICU:asystematicreviewandmeta-analysis[J].BMCMedInformDecisMak,2025,25(1):5.[28]ZhaiZ,PengJ,ZhongW,etal.Identificationofkeygenesandpotentialtherapeutictargetsinsepsis-associatedacutekidneyinjuryusingtransformerandmachinelearningapproaches[J].Bioengineering(Basel),2025,12(5):536.[29]OhW,TakkavatakarnK,Al-TaieZ,etal.Personalizedfluidmanagementinpatientswithsepsisandacutekidneyinjury:acasualmachinelearningapproach[J].CritCareExplor,2025,7(12):e1354.[30]KangY,AhnSY,KangMW.Exploringtreatmenteffectsandfluidresuscitationstrategiesinsepticshock:adeeplearningbasedcausalinferenceapproach[J].SciRep,2025,15(1):18262.[31]LiuL,HuZ.Whentostartrenalreplacementtherapyinacutekidneyinjury:whatarewewaitingfor?[J].JIntensiveMed,2024,4(3):341-346.[32]Es-SaadO,BerradaM,ElhasnaouiA,etal.Predictingkidneyreplacementtherapyincriticallyillpatients:machinelearningmodelsversusclinicianjudgment[J].RenReplaceTher,2025,11(1):83.[33]ZappalàS,AlfieriF,AnconaA,etal.Developmentandexternalvalidationofamachinelearningmodelforthepredictionofpersistentacutekidneyinjurystage3inmulti-centric,multinationalintensivecarecohorts[J].CritCare,2024,28(1):189.[34]QiuS,MuS,TaoY,etal.MachinelearningmodelpredictsclottingriskduringCRRTinESKDpatients:aSHAPinterpretableapproach[J].RenFail,2025,47(1):2562448.[35]PopoffB,DelangeB,NicolasJ,etal.Developmentandvalidationofaninterpretablepredictivemachinelearningmodelforsuccessfulweaningofcontinuousrenalreplacementtherapy[J].SciRep,2025,15(1):42631.[36]LiuG,LiJ,ChenL,etal.Predictivenomogramforacutekidneyinjuryriskwithvancomycinandpiperacillintazobactaminsepsistreatment[J].MedSciMonit,2025,31:e949340.[37]RoggeveenLF,GuoT,FleurenLM,etal.Rightdose,rightnow:bedside,real-time,da