发表在npj Digital Medicine 上的一项研究显示，机器学习可以快速分析 EHR 数据以识别慢性肾病，这种情况通常不会被发现，直到造成不可逆转的损害。
该模型可以自动扫描患者的 EHR 以获取血液和尿液检测结果，并结合使用已建立的方程和机器学习技术来处理数据。该算法可能能够提醒临床医生注意慢性肾病最早阶段的患者。
“早期识别肾脏疾病至关重要，因为我们有可以在损害变得不可逆转之前减缓疾病进展的治疗方法，”研究负责人、哥伦比亚大学瓦格洛斯内科和外科医生学院医学副教授 Krzysztof Kiryluk 医学博士说。
“慢性肾病会导致多种严重问题，包括心脏病、贫血或骨骼疾病，并可能导致过早死亡，但其早期阶段往往未被充分认识和治疗。”
据研究人员称，据信大约八分之一的成年人患有慢性肾病。然而，只有 10% 处于疾病早期阶段的人知道自己的病情。
在肾功能已经严重下降的人中，只有 40% 知道他们的诊断。
研究小组指出，诊断不足有几个可能的原因。因为处于慢性肾病早期阶段的人通常没有症状，初级保健医生可能会优先考虑更直接的患者投诉。
此外，检测无症状肾脏疾病需要进行两项测试：一项是测量血液中肾脏过滤的代谢物，另一项是测量尿液中的蛋白质泄漏。
“对这些测试的解释并不总是直截了当，”Kiryluk 说。“需要考虑许多患者的特征，包括年龄、性别、体重或营养状况，而初级保健医生往往没有充分认识到这一点。”
使用这种新算法，供应商或许能够克服这些障碍。机器学习工具会自动扫描 EHR 以获得测试结果，执行指示肾功能和损伤的计算，对患者的疾病进行分期，并提醒医生注意病情。
该团队发现该算法的性能几乎与经验丰富的肾脏科医生一样好。在使用来自 451 名患者的 EHR 测试模型时，研究人员发现该算法正确诊断了 95% 的肾病患者，这些患者由两名经验丰富的肾病学家确定。
该工具还正确排除了 97% 的健康对照者的肾脏疾病。
该算法可用于多种类型的 EHR 系统，包括拥有数百万患者的系统。组织还可以轻松地将该工具整合到临床决策支持系统中，该系统建议适当的阶段特定药物。
此外，如果未来诊断肾脏疾病的标准发生变化，用户可以轻松更新算法，并且该模型可供其他机构免费使用。
研究人员指出，该算法的一个潜在限制是它取决于 EHR 中血液和尿液检测的可用性。虽然血液测试是相当常规的，但尿液测试在临床护理中通常没有得到充分利用。
尽管有这个缺点，但该团队认为该算法可以提高对肾脏疾病的认识，并有可能减少失去肾功能的人数。
除了识别慢性肾病外，该模型还可以提高其他研究的效力。
该团队已经将该模型应用于包含数百万哥伦比亚患者的数据库，以发现以前未发现的慢性肾病与其他疾病之间的关联。例如，与肾功能正常的患者相比，轻度肾病患者的抑郁、酗酒和其他精神疾病更为常见。
未来，研究人员认为该算法可用于更好地了解慢性肾病的遗传风险。该算法使数百万人的遗传分析能够发现新的肾脏基因。
“我们的分析还证实，肾病患者的血亲中通常存在轻度肾功能障碍，”Kiryluk 实验室的副研究科学家、该论文的第一作者宁尚博士说。“这些发现支持肾脏疾病的强大遗传决定，即使是最温和的形式。”