بیماری مزمن کلیه (CKD) یک چالش بهداشت عمومی مهم است که تقریباً 11٪ تا 13٪ از جمعیت جهان را تحت تأثیر قرار می دهد [1]. این بیش از 800 میلیون نفر در سراسر جهان را شامل می شود .
در طول دو دهه گذشته، بار بیماری مزمن کلیه با سرعت بیشتری نسبت به سایر بیماری های غیرواگیر افزایش یافته است [3،4]. این احتمالاً به دلیل افزایش قابل توجه حوادث قلبی عروقی، نارسایی کلیه که نیاز به درمان جایگزین کلیه دارد، کیفیت پایین زندگی و مرگ و میر است [1].
پیش بینی می شود که بیماری مزمن کلیه تا سال 2040 به پنجمین علت مرگ و میر در سراسر جهان تبدیل شود و سالانه بین 5 تا 10 میلیون مرگ و میر تخمین زده می شود [1،2].
بازماندگان CKD اغلب طیف وسیعی از عوارض سیستمیک از جمله بیماری قلبی عروقی، فشار خون بالا، کم خونی، اختلال استخوان معدنی، اضافه بار حجمی، ناهنجاری های الکترولیت و اسید-باز، سوء تغذیه، اختلال عملکرد جنسی و خارش را تجربه می کنند که می تواند بر کیفیت زندگی آنها تأثیر منفی بگذارد. 1،2].

سه علت اصلی بیماری مزمن کلیه عبارتند از دیابت شیرین (DM)، فشار خون بالا و گلومرولونفریت اولیه که 70 تا 90 درصد از کل موارد در سراسر جهان را تشکیل می دهند [1،2].
علاوه بر این، عوامل متعددی بر پیشرفت بیماری مزمن کلیه تأثیر میگذارند، از جمله عوامل خطر قابل تعدیل مانند دیابت، فشار خون بالا، پروتئینوری، شاخص توده بدنی، سیگار کشیدن و داروهای نفروتوکسیک، و همچنین عوامل غیر قابل تغییر مانند سن، جنسیت، قومیت، سابقه خانوادگی بیماری کلیوی و وضعیت اجتماعی-اقتصادی پایین [1،2].

تشخیص زودهنگام بیماران در معرض خطر برای به تاخیر انداختن پیشرفت بیماری کلیوی بسیار مهم است.
این را می توان از طریق اندازه گیری eGFR و نسبت آلبومین به کراتینین ادرار (ACR) و همچنین مداخلات مربوط به تغذیه، شیوه زندگی و داروها برای کنترل فشار خون و سطوح گلوکز و کاهش آلبومینوری به دست آورد.
علیرغم وجود دستورالعمل های مبتنی بر شواهد برای مدیریت CKD و توانایی نشان داده شده مدل های مراقبت درمانی فعلی برای به تاخیر انداختن پیشرفت بیماری مزمن کلیه و بهبود نتایج بیمار، جامعه نفرولوژی جهانی تشخیص می دهد که این رویکردها برای پرداختن به بار فزاینده CKD ناکافی هستند [1،2].
با توجه به انبوه عوامل خطر و تست های تشخیصی درگیر، تشخیص دقیق، پیش بینی پیش آگهی و مدیریت بهینه CKD می تواند برای پزشکان چالش برانگیز باشد [5]. در پاسخ به این مشکل پیچیده، هوش مصنوعی (AI) به عنوان یک راه حل بالقوه معرفی شده است [6،7،8،9].
هوش مصنوعی توانایی یک ماشین ساخت بشر برای نمایش تصمیم گیری پیچیده یا تجزیه و تحلیل داده ها در مقایسه با هوش انسانی است [6،10،11،12،13،14].
یادگیری ماشینی زیرمجموعهای از هوش مصنوعی است که شامل آموزش ماشینها برای تشخیص الگوها و پیشبینی از دادهها بدون برنامهنویسی صریح است [15،16،17،18،19].

همانطور که در شکل 1 نشان داده شده است، دو دسته اصلی یادگیری ماشینی یادگیری تحت نظارت و بدون نظارت هستند [20،21،22].
یادگیری تحت نظارت از دادههای برچسبگذاری شده برای آموزش مدلهای یادگیری ماشینی برای تشخیص الگوها و پیشبینی استفاده میکند.
نمونه هایی از یادگیری تحت نظارت در زمینه CKD شامل تشخیص بیماری مزمن کلیه تنها از طریق سونوگرافی کلیه یا تصویربرداری فوندوس، پیش بینی پیشرفت کلیه، مرگ و میر و سطح هموگلوبین در بیماران همودیالیزی دریافت کننده عوامل تحریک کننده اریتروپویتین (ESA) و همچنین شناسایی درمان بهینه برای بیماران است. [20،21،22،23].
استفاده از یادگیری ماشین و هوش مصنوعی این پتانسیل را دارد که مدیریت CKD را متحول کند [20،21،22]. این فناوریها میتوانند با تجزیه و تحلیل مجموعه دادههای بزرگ سوابق سلامت بیمار، شناسایی الگوها و پیشبینی افرادی که در معرض خطر ابتلا به CKD هستند، به تشخیص و تشخیص زودهنگام کمک کنند [20،24]. الگوریتمهای یادگیری ماشینی همچنین میتوانند به تشخیص آسیب کلیه از طریق تجزیه و تحلیل تصاویر پزشکی و شخصیسازی درمان با شناسایی مؤثرترین درمان برای هر بیمار بر اساس ویژگیهای بالینی و جمعیتشناختی کمک کنند [20،21،22]. تجزیه و تحلیل پیشبینیکننده میتواند به شناسایی بیمارانی که در معرض خطر ابتلا به عوارض هستند کمک کند، و نظارت از راه دور به پزشکان اجازه میدهد تا سلامت بیمار را در زمان واقعی ردیابی کنند. علاوه بر این، یادگیری ماشین و هوش مصنوعی میتوانند به شناسایی استراتژیهای جدید درمان و پیشگیری و ارائه برنامههای درمانی شخصی برای درمان CKD کمک کنند.

در حالی که چندین درمان دارویی، از جمله مهارکنندههای سدیم-گلوکز کوترانسپورتر-2 (SGLT2)، مهارکنندههای سیستم رنین-آنژیوتانسین (RAS)، آگونیستهای پپتید-1 شبه گلوکاگون (GLP-1)، آنتاگونیستهای گیرنده مینرالوکورتیکوئید غیراستروئیدی (MRAs)، و داروهای ترکیبی ، پتانسیل را در کاهش پیشرفت CKD و بهبود پیامدهای قلبی عروقی نشان داده اند [4]، اثربخشی این درمان ها بسته به ویژگی های هر بیمار می تواند متفاوت باشد.
بنابراین، استفاده از یادگیری ماشینی در تحقیقات آینده میتواند به مناسبسازی درمانها برای بیماران CKD کمک کند و تعیین کند که کدام بیماران ممکن است بیشترین سود را از هر مداخله ببرند. الگوریتمهای یادگیری ماشینی میتوانند مقادیر زیادی از دادههای بیمار را ارزیابی کنند تا همبستگیها و ارتباطهای بین ویژگیهای بیمار و پاسخهای درمان را شناسایی کنند، و در نتیجه توصیههای درمانی شخصیسازی شدهای را بهدست آورند که میتواند نتایج را برای بیماران CKD افزایش دهد.
1. Chen T.K., Knicely D.H., Grams M.E. Chronic Kidney Disease Diagnosis and Management: A Review. JAMA. 2019;322:1294–1304. doi: 10.1001/jama.2019.14745. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
2. Kovesdy C.P. Epidemiology of chronic kidney disease: An update 2022. Kidney Int. Suppl. 2022;12:7–11. doi: 10.1016/j.kisu.2021.11.003. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
3. Murphy D., McCulloch C.E., Lin F., Banerjee T., Bragg-Gresham J.L., Eberhardt M.S., Morgenstern H., Pavkov M.E., Saran R., Powe N.R., et al. Trends in Prevalence of Chronic Kidney Disease in the United States. Ann. Intern. Med. 2016;165:473–481. doi: 10.7326/M16-0273. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
4. Krisanapan P., Pattharanitima P., Thongprayoon C., Cheungpasitporn W. Recent Advances in Understanding of Cardiovascular Diseases in Patients with Chronic Kidney Disease. J. Clin. Med. 2022;11:4653. doi: 10.3390/jcm11164653. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
5. Norton J.M., Newman E.P., Romancito G., Mahooty S., Kuracina T., Narva A.S. CE: Improving Outcomes for Patients with Chronic Kidney Disease: Part 1. Am. J. Nurs. 2017;117:22–32. doi: 10.1097/01.NAJ.0000512272.33956.8b. [PubMed] [CrossRef] [Google Scholar]
6. Sanmarchi F., Fanconi C., Golinelli D., Gori D., Hernandez-Boussard T., Capodici A. Predict, diagnose, and treat chronic kidney disease with machine learning: A systematic literature review. J. Nephrol. 2023 doi: 10.1007/s40620-023-01573-4. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
7. Makino M., Yoshimoto R., Ono M., Itoko T., Katsuki T., Koseki A., Kudo M., Haida K., Kuroda J., Yanagiya R., et al. Artificial intelligence predicts the progression of diabetic kidney disease using big data machine learning. Sci. Rep. 2019;9:11862. doi: 10.1038/s41598-019-48263-5. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
8. Guo Y., Yu H., Chen D., Zhao Y.Y. Machine learning distilled metabolite biomarkers for early stage renal injury. Metabolomics. 2019;16:4. doi: 10.1007/s11306-019-1624-0. [PubMed] [CrossRef] [Google Scholar]
9. Komaru Y., Yoshida T., Hamasaki Y., Nangaku M., Doi K. Hierarchical Clustering Analysis for Predicting 1-Year Mortality After Starting Hemodialysis. Kidney Int. Rep. 2020;5:1188–1195. doi: 10.1016/j.ekir.2020.05.007. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
10. Topol E.J. High-performance medicine: The convergence of human and artificial intelligence. Nat. Med. 2019;25:44–56. doi: 10.1038/s41591-018-0300-7. [PubMed] [CrossRef] [Google Scholar]
11. Huang H.H., Hsieh S.J., Chen M.S., Jhou M.J., Liu T.C., Shen H.L., Yang C.T., Hung C.C., Yu Y.Y., Lu C.J. Machine Learning Predictive Models for Evaluating Risk Factors Affecting Sperm Count: Predictions Based on Health Screening Indicators. J. Clin. Med. 2023;12:1220. doi: 10.3390/jcm12031220. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
12. Hui M., Ma J., Yang H., Gao B., Wang F., Wang J., Lv J., Zhang L., Yang L., Zhao M. ESKD Risk Prediction Model in a Multicenter Chronic Kidney Disease Cohort in China: A Derivation, Validation, and Comparison Study. J. Clin. Med. 2023;12:1504. doi: 10.3390/jcm12041504. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
13. Li Q., Lv H., Chen Y., Shen J., Shi J., Zhou C. Development and Validation of a Machine Learning Predictive Model for Cardiac Surgery-Associated Acute Kidney Injury. J. Clin. Med. 2023;12:1166. doi: 10.3390/jcm12031166. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
14. Thongprayoon C., Pattharanitima P., Kattah A.G., Mao M.A., Keddis M.T., Dillon J.J., Kaewput W., Tangpanithandee S., Krisanapan P., Qureshi F., et al. Explainable Preoperative Automated Machine Learning Prediction Model for Cardiac Surgery-Associated Acute Kidney Injury. J. Clin. Med. 2022;11:6264. doi: 10.3390/jcm11216264. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
15. Cahan E.M., Hernandez-Boussard T., Thadaney-Israni S., Rubin D.L. Putting the data before the algorithm in big data addressing personalized healthcare. NPJ Digit. Med. 2019;2:78. doi: 10.1038/s41746-019-0157-2. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
16. Lenain R., Seneviratne M.G., Bozkurt S., Blayney D.W., Brooks J.D., Hernandez-Boussard T. Machine Learning Approaches for Extracting Stage from Pathology Reports in Prostate Cancer. Stud. Health Technol. Inform. 2019;264:1522–1523. doi: 10.3233/SHTI190515. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
17. Nichols J.A., Herbert Chan H.W., Baker M.A.B. Machine learning: Applications of artificial intelligence to imaging and diagnosis. Biophys. Rev. 2019;11:111–118. doi: 10.1007/s12551-018-0449-9. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
18. Peterson D.J., Ostberg N.P., Blayney D.W., Brooks J.D., Hernandez-Boussard T. Machine Learning Applied to Electronic Health Records: Identification of Chemotherapy Patients at High Risk for Preventable Emergency Department Visits and Hospital Admissions. JCO Clin. Cancer Inform. 2021;5:1106–1126. doi: 10.1200/CCI.21.00116. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
19. Sidey-Gibbons J.A.M., Sidey-Gibbons C.J. Machine learning in medicine: A practical introduction. BMC Med. Res. Methodol. 2019;19:64. doi: 10.1186/s12874-019-0681-4. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
20. Thongprayoon C., Kaewput W., Choudhury A., Hansrivijit P., Mao M.A., Cheungpasitporn W. Is It Time for Machine Learning Algorithms to Predict the Risk of Kidney Failure in Patients with Chronic Kidney Disease? J. Clin. Med. 2021;10:1121. doi: 10.3390/jcm10051121. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
21. Samal L., D’Amore J.D., Bates D.W., Wright A. Implementation of a scalable, web-based, automated clinical decision support risk-prediction tool for chronic kidney disease using C-CDA and application programming interfaces. J. Am. Med. Inform. Assoc. 2017;24:1111–1115. doi: 10.1093/jamia/ocx065. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
22. Ravizza S., Huschto T., Adamov A., Bohm L., Busser A., Flother F.F., Hinzmann R., Konig H., McAhren S.M., Robertson D.H., et al. Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data. Nat. Med. 2019;25:57–59. doi: 10.1038/s41591-018-0239-8. [PubMed] [CrossRef] [Google Scholar]
23. Abdel-Fattah M.A., Othman N.A., Goher N. Predicting Chronic Kidney Disease Using Hybrid Machine Learning Based on Apache Spark. Comput. Intell. Neurosci. 2022;2022:9898831. doi: 10.1155/2022/9898831. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
24. Yang C., Kong G., Wang L., Zhang L., Zhao M.H. Big data in nephrology: Are we ready for the change? Nephrology. 2019;24:1097–1102. doi: 10.1111/nep.13636. [PubMed] [CrossRef]