Применение технологических решений в ранней диагностике хронической болезни почек и оценке ее прогноза: опыт и перспективы

Вестник терапевта № 4 (55), 2022

Овсянников Константин Валерьевич (автор для переписки)  — руководитель эндокринологического центра ФГБУЗ КБ № 85 ФМБА России; профессор кафедры терапии Медико-биологического университета инноваций и непрерывного образования ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России. 115409, Россия, г. Москва, ул. Москворечье, д. 16. E-mail: kvovsn@gmail.com

Бондаренко Наталья Леонидовна  — главный врач ФГБУЗ КБ № 85 ФМБА России. 115409, Россия, г. Москва, ул. Москворечье, д. 16. E-mail: glavdoctor@kb85.ru

Григорьев Максим Эдуардович  — заместитель главного врача ФГБУЗ КБ № 85 ФМБА России. 115409, Россия, г. Москва, ул. Москворечье, д. 16. E-mail: grigorev_me@kb85.ru

Потемкин Анатолий Викторович  — заместитель главного врача ФГБУЗ КБ № 85 ФМБА России. 115409, Россия, г. Москва, ул. Москворечье, д. 16. E-mail: potemkin_av@kb85.ru

Праскурничий Евгений Аркадьевич  — д. м. н. профессор, заведующий кафедрой терапии Медико-биологического университета инноваций и непрерывного образования ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России. 123098, Россия, г. Москва, ул. Живописная д. 46, стр. 8. E-mail: praskurnichey@mail.ru

Пуляев Владимир Валерьевич  — ассистент кафедры терапии ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России. 123098, Россия, г. Москва, ул. Маршала Новикова, д. 23. E-mail: dr.pulyaev@mail.ru

Лобова Марина Дмитриевна  — ассистент кафедры терапии ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России. 123098, Россия, г. Москва, ул. Маршала Новикова, д. 23. E-mail: kvovsn@gmail.com

Цель обзора: рассмотреть различные алгоритмы ранней диагностики и  прогнозирования течения хронической болезни почек (ХБП).

Основные положения. ХБП  — комплексное и многогранное заболевание, в основе которого лежит нарушение функции почек вплоть до терминальной стадии, увеличивающее риск сердечно-сосудистых осложнений. По данным Всемирной организации здравоохранения, около 13% всей мировой популяции страдают этим заболеванием. Распространенность ХБП в Российской Федерации составила 4%, что несравнимо меньше, чем в других странах. Бессимптомное течение ранних стадий ХБП только усугубляет данную статистику. Именно поэтому проведение мероприятий по ранней выявляемости ХБП на уровне первично-амбулаторного звена может играть существенную роль в улучшении прогноза для таких больных. В последние годы особое внимание приковано к разработкам систем, использующих модели алгоритмов для оценки риска развития терминальной стадии ХБП, в том числе с возможностью машинного обучения (искусственный интеллект). В ряде медико-информационных систем в России в пользовательский интерфейс программ электронного документооборота интегрируются калькуляторы расчетной скорости клубочковой фильтрации (рСКФ), ведутся пилотные проекты внедрения электронных помощников принятия клинического решения. Однако широкий ряд вопросов, в т. ч. экономическая целесообразность, клинические обоснования таких моделей, их валидизация и применение в повседневной практике, все еще остаются открытыми. В Клинической больнице № 85 ФМБА России проводится работа по изучению клинической эффективности внедрения автоматизированной системы расчета рСКФ у больных с использованием лабораторных данных, хранящихся в системе ПАРУС, для дальнейшего подтверждения диагноза ХБП.

Заключение. Алгоритмы автоматизированного скрининга, систем поддержки принятия клинического решения и искусственного интеллекта могут быть полезными инструментами, помогающими принимать клинические решения и более эффективно распределять дефицитные ресурсы.

К.В. Овсянников1, 2, Н.Л. Бондаренко1, М.Э. Григорьев1, Е.А. Праскурничий2, В.В. Пуляев2, М.Д. Лобова2, А.В. Потемкин1

1 ФГБУЗ «Клиническая больница № 85 Федерального медико-биологического агентства Российской Федерации»; Россия, г. Москва

2 ФГБУ «Государственный научный центр федеральный медицинский биофизический центр им. А.И. Бурназяна Федерального медико-биологического агентства Российской Федерации»; Россия, г. Москва

Хроническая болезнь почек (ХБП)  — это заболевание, в основе которого лежит постепенное снижение функции почек. Метаанализ различных исследований указывает на то, что около 13,4% населения всех стран имеет диагноз ХБП, и у 79% из них  — последние стадии (С3–С5), однако количество людей с начальной стадией, а соответственно, и в общей популяции, вероятно, выше, так как на ранних стадиях (С1–С2) заболевание может никак клинически не проявлять себя [1].

В основе критериев оценки и диагностики данного состояния лежит определение фильтрационной функции почек по показателю расчетной скорости клубочковой фильтрации (рСКФ) (CKD-EPI, MDRD  — наиболее распространенные методы расчета) и по альбуминурии/протеинурии.

Существует шесть категорий рСКФ: менее 60 мл/мин/1,73 м2 в течение более 3 месяцев указывает на нарушение функции почек, и тяжесть повреждения почек коррелирует с уменьшением показателей рСКФ. На ранних стадиях заболевания (С1–С2) рСКФ варьирует от 60 до 90 мл/мин/1,73 м2). У пациентов со стадиями С3a–С3b наблюдается умеренное и существенное уменьшение рСКФ (30–59 мл/мин/1,73 м2 соответственно). Сильно сниженная рСКФ (от 15–29 до менее 15 мл/мин/1,73 м2 соответственно) указывают на поздние стадии (С4–С5) и развитие терминальной почечной недостаточности (табл. 1).

Стратификация степени ХБП также включает три категории альбуминурии. Пациенты с соотношением альбумина к креатинину от 3 до 30 мг/ммоль классифицируются как имеющие микроальбуминурию и умеренный риск неблагоприятных исходов, с соотношением более 30 мг/ммоль  — микроальбуминурию и серьезный риск нежелательных явлений (табл. 2) [1].

 

Таблица 1. Классификация хронической болезни (ХБП) почек по скорости клубочковой фильтрации (СКФ)

Стадия ХБП Описание СКФ, мл/мин/1,73 м2
С1 Высокая или оптимальная СКФ ≥ 90
С2 Незначительно сниженная СКФ 60–89
С3а Умеренно сниженная СКФ 45–59
С3b Существенно сниженная СКФ 30–44
С4 Резко сниженная СКФ 15–29
С5 Терминальная почечная недостаточность < 15

Таблица 2. Категории персистирующей альбуминурии

А1 А2 А3
Нормальная или незначительно повышенная Умеренно повышенная Резко повышенная
< 30 мг/г

< 3 мг/ммоль

30–300 мг/г

3–30 мг/ммоль

> 300 мг/г

> 30 мг/ммоль

Эпидемиология хронической болезни почек

По данным ВОЗ, частота ХБП во всей популяции людей составляет 13%. Согласно метаанализу данных, приведенных в статьях различных научных ресурсов (Medline/PubMed, Embase, CINAHL, the Cochrane Register for Controlled Trials (CENTRAL), LILACS, SciELO), можно сделать вывод об уровне первичной выявляемости и распространенности ХБП в популяции [2]. В Российской Федерации данные отличаются. По результатам московского исследования, распространенность ХБП С1–С5 составила 4% в общей популяции, из которых у 4,8% была ХБП С4–С5 [3]. Прежде всего это связано с тем, что расчет показателя СКФ, равно как и оценка альбуминурии, в группах риска не всегда проводятся врачами, и больные с ХБП попадают в поле зрения врача лишь при наличии специфической клинической картины. В большинстве случаев пациенты с С1–С3 стадиями ХБП не знают о наличии у них заболевания и не получают терапию для устранения факторов почечного риска и нефропротекции.

Поскольку прогрессивное снижение функции почек значительно увеличивает кардиоваскулярный риск, риск смерти от любой причины, а также риск терминальной стадии ХБП, именно ранняя диагностика и начало терапии таких больных во много определяют и прогноз в целом.

Необходимо сделать акцент на том, что абсолютное большинство пациентов с ХБП на ранних стадиях наблюдаются по самым разным обращениям у терапевтов, кардиологов, эндокринологов, так как одними из основных причин развития ХБП являются гипертоническая болезнь, СД и, реже, болезни почек. По данным S.S. Kim и соавт., распространенность диабетической нефропатии составляет 20–40% среди всех пациентов в СД 2 типа, и она становится ведущей причиной терминальной стадии почечной недостаточности [4].

В исследовании NHANES III продемонстрирована связь между ХБП и СД 2 типа в сочетании с повышенным риском смерти. В этом исследовании авторы наблюдали смертность 31,1% среди пациентов с ХБП и диабетом против 11,5% среди людей только с диабетом. Прямое влияние почек на сердечно-сосудистые заболевания обусловлено генерализованными воспалительными изменениями, ремоделированием сердца, сужением артерий и кальцификацией сосудов [5].

При проведении экспресс-опросов врачей-терапевтов, проходивших обучение на кафедре терапии Медико-биологического университета инноваций и непрерывного образования ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России, только 45,5% положительно отвечали на вопрос о регулярном ежедневном использовании калькулятора рСКФ в своей практике. Применение автоматизированных и полуавтоматизированных систем расчета СКФ может значительно увеличить эффективность выявления ХБП ввиду их удобства и необременительности по времени, что важно из-за ограничения продолжительности амбулаторно-поликлинического приема специалиста.

Проблемы скрининга хронической болезни почек

В большинстве случаев ХБП остается недооцененной проблемой до тех пор, пока рСКФ не станет ниже 30–45 мл/мин/1,73 м2, в то же время продолжает обсуждаться полезность скрининга в широкой популяции. К сожалению, до сих пор отсутствуют крупные рандомизированные исследования по скринингу ХБП, однако существуют данные обсервационных исследований, в которых показано, что скрининг ХБП экономически эффективен у пациентов с диабетом или гипертонией либо у тех, у кого есть семейный анамнез ХБП. Существенным дополнением к этим выводам может быть указание на наивысшую экономическую эффективность скрининга ХБП при условии наличия доступа к высокоэффективным инновационным терапевтическим стратегиям при ведении подобных больных [6].

Тем не менее разрабатываются перспективные направления с использованием искусственного интеллекта для верификации ХБП и ее риска. Так, для пациентов с СД 2 типа компания Roche в сотрудничестве с IBM разработала модель, использующую семь стандартных параметров, для определения наличия ХБП. В этой модели применялась стратегия выбора параметров, таких как возраст, ИМТ, рСКФ, креатинин, альбумин, глюкоза и гликированный гемоглобин [7]. Модель показала высокую точность при использовании в объединенных баз данных из IBM Explorys и Indiana Network for Patient Care (INPC). Кроме того, в наборе данных INPC был применен подход машинного обучения для модели с семью признаками и небольшим улучшением точности для модели с 35 признаками [7].

Популяционный подход к выявлению недиагностированной ХБП с помощью данных электронных медицинских карт (МИС) или лабораторных информационных систем может способствовать быстрой и экономически оправданной диагностике ХБП у многих пациентов. На сегодняшний день несколько частных компаний, занимающихся разработкой скрининга ХБП с использованием искусственного интеллекта, например Strive Health, Cricket Health и Monogram Health, сообщают, что они применяют методы машинного обучения для выявления пациентов с ХБП или с риском развития ХБП.

К сожалению, ни один из их результатов не опубликован, поэтому их невозможно оценить с точки зрения диагностической точности. Хотя для этих организаций может быть важно не представлять свои проприетарные модели, однако было бы полезно представить по крайней мере сводные результаты в отдельных группах населения с соответствующей экспертной оценкой.

Вероятно, это обстоятельство связано с наличием коммерческой тайны разработчиков, но вместе с тем именно получение такой информации и ее широкое обсуждение в среде экспертов могли бы способствовать более быстрому прогрессу в создании действующей модели.

Хотя современные руководства рекомендуют направлять пациентов с ХБП 4-й стадии (рСКФ < 30 мл/мин/1,73 м2) к нефрологу, высока доля и обращений больных на более ранних стадиях ХБП с низким риском терминальной ХБП. Пациенты же из группы высокого риска по-прежнему обращаются за помощью поздно, когда возможности для предотвращения почечной недостаточности больше не существует [8].

Компания Science & Technology Project of Beijing (Китай) разработала модель 3-летнего прогноза ХБП, используя данные 861 пациента. В ней применялись несколько алгоритмов машинного обучения, из которых наилучшие результаты получил LightGBM при обработке 46 переменных, отобранных из медицинских отчетов, среди них  — пол, возраст, масса тела и рост, ИМТ, удельный вес мочи (SG), количество эритроцитов в моче (RBC), гемоглобин (Hb), гематокрит (Hct), средний корпускулярный объем (MCV), средняя концентрация корпускулярного гемоглобина (MCHC), количество лейкоцитов (WBC), процент нейтрофильных гранулоцитов (N%), процент лимфоцитов (L%), отношение нейтрофилов к лимфоцитам (NLR), количество тромбоцитов (PLT), средний объем тромбоцитов (MPV), активированное частичное тромбопластиновое время (APTT), фибриноген плазмы (FIB), случайная глюкозу крови (RBG), гликированный гемоглобин, азот мочевины крови (BUN), креатинин сыворотки (SCR), мочевая кислота сыворотки (SUA), рСКФ, общий билирубин (T-BiL), прямой билирубин (D-BiL), альбумин, γ-глутамилтрансфераза (GGT), общий холестерин (TC), триглицериды (TG), ЛПВП, ЛПНП, калий (K), сывороточный натрий (Na), кальций (Ca), фосфат (P), бикарбонат и Hcy [9].

Эта модель продемонстрировала высокую точность прогноза ХБП, сравнимую с таковой у модели Roche/IBM, но существенным недостатком китайской разработки является требовательность системы к доступу широко спектра параметров без учета практических возможностей большинства лечебно-профилактических учреждений.

В последние годы по крайней мере два новых класса препаратов (ингибиторы натрий-глюкозного ко-транспортера 2 типа и антагонисты минералокортикоидных рецепторов) были одобрены для замедления прогрессирования ХБП и снижения частоты сердечно-сосудистых событий у пациентов почти на всех стадиях ХБП [10, 11]. Хотя эти препараты при добавлении к ингибиторам ренин-ангиотензин-альдостерона оказывают клинически значимое влияние на основные неблагоприятные почечные и сердечно-сосудистые события, клиническая польза и экономическая эффективность, вероятно, наиболее высоки у пациентов с высоким или промежуточным риском прогрессирования заболевания почек. В этих случаях число больных, которым необходимо лечение для предотвращения неблагоприятных исходов, скорее всего будет низким.

При использовании на ранних стадиях заболевания данные методы лечения потенциально могут помочь пациентам избежать диализа на всю жизнь, а не просто отсрочить его на 1–2 года (рис.).

Рис. Задержка прогрессирования, обеспечиваемая новыми методами лечения, у пациентов с хронической болезнью почек [12]

 

На рынок начали выходить новые компании, разрабатывающие методы ранней диагностики и оценки темпов прогрессирования и прогноза ХБП с использованием искусственного интеллекта. Например, pulseData получила в 2021 году патент на системы машинного обучения для оценки прогноза при лечении ХБП, в которых применяются методы искусственного интеллекта для определения параметров риска, включая данные, связанные с демографическими, клиническими показателями, диагнозами, процедурами, диагностическими тестами, биомаркерами, генетическими маркерами.

Для алгоритмов требуется по крайней мере один из рецепторов sTNFR1 или sTNFR2 и по крайней мере один лабораторный результат, связанный с молекулой-1 повреждения почек (KIM-1). Дополнительно оцениваемые биомаркеры включают рСКФ, отношение альбумина к креатинину в моче, креатинин в сыворотке, биохимические тесты, профиль липидов, коагуляции, магний, фосфор, мозговой натрийуретический пептид, гликированный гемоглобин, мочевую кислоту и эндостатин. Модель для прогнозирования почечной недостаточности продемонстрировала значимую точность [13].

Еще одна модель машинного обучения разработана компанией Renalytix AI, которая занимается разработкой диагностики in vitro. Модель, получившая название KidneyIntelX, создана, чтобы оказывать помощь при принятии клинических решений при лечении диабетической болезни почек с использованием информации из электронных медицинских карт и дополнительных результатов исследования некоторых биомаркеров. Этот алгоритм, как и вышеназванные, использует рецепторы TNFR-1, TNFR-2 и KIM-1 и демонстрирует умеренную прогностическую точность для прогнозирования прогрессирования у пациентов с диабетическим заболеванием почек. Однако следует отметить, что модель требует в общей сложности более 100 параметров, включая три биомаркера плазмы, 27 других лабораторных значений, 20 диагностических кодов МКБ, 30 лекарственных средств, 3 основных показателя жизнедеятельности (систолическое и диастолическое АД и ИМТ) [14].

Критические замечания, касающиеся, в частности, данных, представленных Renalytix AI, включают в себя отсутствие проверки модели в реальной клинической практике, и с учетом склонности машинных моделей к чрезмерной требовательности к соответствию набору данных перед внедрением в практику необходимо исследование внешней валидации.

Во-вторых, для прогностических моделей калибровка не менее важна, чем различение при применении модели к порогу клинического риска  — так, при прохождении внутренней валидизации модель KidneyIntelX занижала прогноз по всем квантилям риска, что, несомненно, требует доработки.

В-третьих, экономический анализ этих моделей может быть чрезмерно оптимистичным, поскольку он предполагает отсрочку или предотвращение 5000 запусков диализа в гипотетической когорте из 100 000 пациентов [16].

Говоря об использовании прогностических моделей риска терминальной ХБП основанных на искусственном интеллекте, необходимо установить, что наиболее важным фактором, определяющим экономическую эффективность скрининга когорты пациентов, является ожидаемая распространенность ХБП в выборке [6]. При этом применение систем машинного обучения для определения риска развития ХБП и прогноза ее течения может быть оправдано с медико-экономической позиции.

Как выглядит идеальная модель расчета вероятности исхода хронической болезни почек с применением искусственного интеллекта

Вероятно, идеальным решением стала бы модель, прошедшая внешнюю валидизацию, которая была бы широко применима на всех стадиях ХБП. Большое значение имела бы возможность использования для расчета регулярно собираемых лабораторных данных, к которым можно быстро получить доступ из любой традиционной лабораторной системы. Особенно важной является возможность применять данные только рутинно собираемых лабораторных тестов, что позволит избежать проблем со специфическими анализами, многие из которых могут быть относительно дорогими, особенно если их необходимо применять в масштабе широкой популяции с большим числом больных ХБП.

Нужно также предусмотреть возможность размещения информации о рисках в системе МИС, а также интегрировать получаемы результаты с системой поддержки принятия клинических решений врачом или же для передачи данных специалистам.

Все вышеперечисленное является неотъемлемым условием воплощения алгоритмов искусственного интеллекта на практике, а также применения данных методов преобразования имеющихся и хранящихся данных пациентов для эффективного их использования при выявлении рисков ХБП. Кроме того, необходимо предусмотреть возможность обновления калибровки и соотношения рисков по мере изменения доступных методов лечения  — применение, например, дапаглифлозина (ингибитора натрий-глюкозного ко-транспортера 2 типа) по показаниям СД 2 типа существенно снижает риски возникновения/прогрессирования диабетической болезни почек, что требует внесения имеющихся данных из исследований DAPA-CKD, DECLARE в алгоритмы расчета рисков.

Отдельно необходимо пояснить, что использование таких систем позволит во многом сократить различия в качестве лечебно-диагностической помощи людям, находящимся в различных регионах и условиях. И наконец, требуется проведение постоянной работы по подтверждению точности предиктивных моделей оценки риска ХБП внешними данными в различных популяциях больных.

В последнее время интерес к использованию систем электронного медицинского документооборота и МИС как вспомогательного инструмента в России значительно возрос. Так, внедрение в интерфейс окна калькулятора расчета СКФ во многом способствовало повышению частоты измерения указанного параметра в широкой популяции больных при рутинных обращениях к специалистам. Это, в свою очередь, увеличивает эффективность диагностики ХБП, особенно на ранних стадиях заболевания, что в долгосрочной перспективе может повлиять на прогноз таких пациентов и уменьшение риска развития ТХБП, нагрузки на диализные отделения, а также снижение кардиоваскулярного риска у подобных больных.

Внедрение таких инноваций является первым этапом на долгом пути совершенствования интеграции возможностей диджитализации в диагностике хронических заболеваний. В Клинической больнице № 85 ФМБА России протестирована система скрининга контингента больных (86 459 пациентов) на ХБП по уровню рСКФ. В алгоритмах модели автоматизированного скрининга ХБП, интегрированного в систему ПАРУС,  была заложена возможность расчета СКФ по формуле CKD-EPI (Chronic Kidney Disease Epidemiology Collaboration Formula) с использованием пола, возраста, факта отсутствия установленного диагноза ХБП (N18), уровня креатинина, загружаемого из базы данных лаборатории.

Расчет производился следующим образом. Для женщин, если уровень креатинина крови ниже или равен 62 мкмоль/л: CKD-EPI = 144 × (0,993^ЛЕТ) × ((КРЕАТ/88,4)/0,7)^(−0,328)); для женщин, если содержание креатинина крови выше 62 мкмоль/л: CKD-EPI = 144 × (0,993^ЛЕТ) × ((КРЕАТ/88,4)/0,7)^(−1,210)); для мужчин, если концентрация креатинина крови ниже или равна 80 мкмоль/л: CKD-EPI = 141 × (0,993^ЛЕТ) × ((КРЕАТ/88,4)/0,9)^(−0,412)); для мужчин, если уровень креатинина крови выше 80 мкмоль/л: CKD-EPI = 141 × (0,993^ЛЕТ) × ((КРЕАТ/88,4)/0,9)^(−1,210)).

Значение рСКФ ниже 60 мл/мин/1,73 м2 рассматривалось как патологическое. Выявлены 8465 (9,79% от общего числа обслуживаемого контингента) больных со значением рСКФ ниже 60 мл/мин/1,73 м2, у которых не был установлен диагноз ХБП (N18). Поскольку у большинства из этой когорты больных подтвердят наличие ХБП, а протеинурия в общей популяции пациентов КБ № 85 не оценивалась, можно предположить, что уточненное число больных ХБП будет коррелировать со статистическими данными ВОЗ (13,4%) или даже превышать их.

В связи с тем, что для установления диагноза ХБП требуется как минимум еще одно измерение СКФ со значением ниже 60 мл/мин/1,73 м2, а также оценка протеинурии/микроальбуминурии, нами разрабатывается система помощи принятия клинического решения, позволяющая напомнить специалистам о необходимости проведения вышеуказанных действий. Кроме того, проводится подготовительная работа по внедрению калькулятора, позволяющего определять динамику снижения рСКФ в мл/мин/год и выявлять пациентов с быстро прогрессирующей ХБП с принятой точкой разделения  — 4 или более мл/мин/год.

Заключение

Следует отметить, что в эпоху старения населения, роста стоимости медицинских услуг и появления новых методов лечения акцент на персонализации медицины посредством высокоточной стратификации риска может принести существенную пользу системе здравоохранения. Алгоритмы автоматизированного скрининга, систем поддержки принятия клинического решения и искусственного интеллекта могут быть полезными инструментами, помогающими принимать клинические решения и более эффективно распределять дефицитные ресурсы

 

  1. Evans M., Lewis R.D., Morgan A.R., Whyte M.B. et al. A narrative review of chronic kidney disease in clinical practice: current challenges and future perspectives. Adv. Ther. 2022; 39(1): 33–43. DOI: 10.1007/s12325-021-01927-z
  2. Hill N.R., Fatoba S.T., Oke J.L., Hirst J.A. et al. Global prevalence of chronic kidney disease — a systematic review and meta-analysis. PLoS One. 2016; 11(7): e0158765. DOI: 10.1371/journal.pone.0158765
  3. Батюшин М.М. Хроническая болезнь почек: современное состояние проблемы. Рациональная фармакотерапия в кардиологии. 2020; 16(6): 938–47. [Batiushin M.M. Chronic kidney disease: current state of the problem. Rational Pharmacotherapy in Cardiology. 2020; 16(6): 938–47. (in Russian)]. DOI: 10.20996/1819-6446-2020-11-06
  4. Kim S.S., Kim J.H., Kim I.J. Current challenges in diabetic nephropathy: early diagnosis and ways to improve outcomes. Endocrinol. Metab. (Seoul). 2016; 31(2): 245–53. DOI: 10.3803/EnM.2016.31.2.245
  5. Afkarian M., Sachs M.C., Kestenbaum B., Hirsch I.B. et al. Kidney disease and increased mortality risk in type 2 diabetes. J. Am. Soc. Nephrol. 2013; 24(2): 302–8. DOI: 10.1681/ASN.2012070718
  6. Komenda P., Ferguson T.W., Macdonald K., Rigatto C. et al. Cost-effectiveness of primary screening for CKD: a systematic review. J. Kidney Dis. 2014; 63: 789–97. DOI: 10.1053/j.ajkd.2013.12.0120
  7. Ravizza S., Huschto T., Adamov A., Böhm L. et al. Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data. Med. 2019; 25: 57–9. DOI: 10.1038/s41591-018-0239-8Т
  8. Levey A.S., Eckardt K.-U., Tsukamoto Y., Levin A. et al. Definition and classification of chronic kidney disease: a position statement from Kidney Disease: Improving Global Outcomes (KDIGO). Kidney Int. 2005; 67(6): 2089–100 DOI: 10.1111/j.1523-1755.2005.00365.x
  9. Dong, Z., Wang, Q., Ke Y., Zhang W. et al. Prediction of 3-year risk of diabetic kidney disease using machine learning based on electronic medical records. Transl. Med. 2022; 20: 143. DOI: 10.1186/s12967-022-03339-1
  10. Heerspink H.J.L., Stefánsson B.V., Correa-Rotter R., Chertow G.M. et al. Dapagliflozin in patients with chronic kidney disease. Engl. J. Med 2020; 383(15): 1436–46. DOI: 10.1056/NEJMoa2024816
  11. Bakris G.L., Agarwal R., Anker S.D., Pitt B. et al. Effect of finerenone on chronic kidney disease outcomes in type 2 diabetes. Engl. J. Med. 2020; 383(23): 2219–29. DOI: 10.1056/NEJMoa2025845
  12. Tangri N., Ferguson T.W. Artificial intelligence in the identification, management, and follow-up of CKD. Kidney360. 2022; 3(3): 554–6. DOI: 10.34067/KID.0007572021
  13. Cha T., Sun H.P., Kipers C., Fielding O. et al. United States Patent and Trademark Office. Machine learning systems and methods for predicting risk of renal function decline. US Patent No. US20200005900A1. April 14, 2021.
  14. Chan L., Nadkarni G.N., Fleming F., McCullough J.R. et al. Derivation and validation of a machine learning risk score using biomarker and electronic patient data to predict progression of diabetic kidney disease. 2021; 64(7): 1504–15. DOI: 10.1007/s00125-021-05444-0
  15. Datar M., Burchenal W., Donovan M.J., Coca S.G. et al. Payer budget impact of an artificial intelligence in vitro diagnostic to modify diabetic kidney disease progression. Med. Econ. 2021; 24(1): 972–82. DOI: 10.1080/13696998.2021.1960714

Овсянников К.В., Бондаренко Н.Л., Григорьев М.Э., Праскурничий Е.А., Пуляев В.В., Лобова М.Д., Потемкин А.В. Применение технологических решений в ранней диагностике хронической болезни почек и оценке ее прогноза: опыт и перспективы // Вестник терапевта. 2022. № 4 (55). URL:https://therapyedu.su/statyi/primenenie-tehnologicheskih-reshenij-v-rannej-diagnostike-hronicheskoj-bolezni-pochek-i-ocenke-ee-prognoza-opyt-i-perspektivy/ (дата обращения: дд.мм.гггг)

Application of technological solutions in the early diagnosis of chronic kidney disease and assessment of its prognosis: experience and prospects

K.V. Ovsyannikov1,2, N.L. Bondarenko1, M.E. Grigoriev1, E.A. Praskurnichy2, V.V. Pulyaev2, M.D. Lobova2, A.V. Potemkin1

1 FGBUZ "Clinical Hospital No. 85 of the Federal Medical and Biological Agency of the Russian Federation"; Russia, Moscow

2 State Scientific Center Federal Medical Biophysical Center named after N.N. A.I. Burnazyan of the Federal Medical and Biological Agency of the Russian Federation”; Russia, Moscow

 

Abstract

Objective of the Review: to consider various algorithms for early diagnosis and prognosis of the course of chronic kidney disease (CKD).

Key Points. CKD is a complex and multifaceted disease, which is based on impaired renal function up to the terminal stage, which increases the risk of cardiovascular complications. According to the World Health Organization, about 13% of the entire world population suffer from this disease. The prevalence of CKD in the Russian Federation was 4%, which is incomparably less than in other countries. The asymptomatic course of the early stages of CKD only exacerbates this statistic. That is why the implementation of measures for the early detection of CKD at the level of primary outpatient care can play a significant role in improving the prognosis for such patients. In recent years, special attention has been focused on the development of systems that use algorithm models to assess the risk of developing the terminal stage of CKD, including those with the possibility of machine learning (artificial intelligence). In a number of medical information systems in Russia, calculators for the estimated glomerular filtration rate (eGFR) are integrated into the user interface of electronic document management programs, and pilot projects are underway to introduce electronic clinical decision-making assistants. However, a wide range of questions, including economic feasibility, clinical rationale for such models, their validation and application in everyday practice, still remain open. At Clinical Hospital No. 85 of the Federal Medical and Biological Agency of Russia, work is underway to study the clinical effectiveness of introducing an automated eGFR calculation system in patients using laboratory data stored in the PARUS system to further confirm the diagnosis of CKD.

Conclusion. Automated screening algorithms, clinical decision support systems and artificial intelligence can be useful tools to help make clinical decisions and allocate scarce resources more efficiently.

Keywords: chronic kidney disease, glomerular filtration rate, albuminuria, prognosis, end stage.

 

Предыдущая статья


Тыренко Вадим Витальевич. Слово редактора выпуска

 Уважаемые коллеги! Перед вами очередной выпуск электронного жу...

Читать

Следующая статья


Современные подходы в диагностике диастолической дисфункции левого желудочка сердца.

В.А. Рахчеев, Н.Т. Мирзоев, А.В. Пчельникова, К.С. Шуленин, Г.Г. Кутелев ФГБВОУ ВО «Военно-медици...

Читать

Наверх