非入侵性智能化诊断工具 Smart-CKD 提升慢性肾脏病临床管理效能

慢性肾脏病影响着全球约 10% 人口，其中肾脏纤维化会令肾功能逐渐丧失，最终可能导致末期肾衰竭，因此早期诊断和持续监测尤其重要。理大医疗科技及资讯学系研究团队成功研发非入侵性智能化诊断工具「Smart-CKD」（S-CKD），整合及分析患者的肾脏超声数据和临床信息，通过量化指标评估肾脏纤维化程度及风险，为医护人员提供重要的诊断决策依据，诊断效能达 80%。有关研究成果已于学术期刊《Academic Radiology》发表。

早期诊断并准确分期肾脏纤维化程度有助病情评估、预后判断和指导临床治疗决策，可预防及延缓病情恶化。然而，要精准识别高风险的肾脏纤维化患者仍是临床上的难题。

研究团队联同中山大学附属第五医院专家团队，成功研发非入侵性智能化诊断工具 S-CKD。这一创新工具利用先进资讯科技，致力于改善慢性肾脏病的病情监测和临床管理，为患者提供具合成本效益的管理方案，并具备显着的临床优势。

前肾活检组织病理学检查，仍然是临床上肾脏纤维化确诊和分期的「金标准」，但肾活检具有创伤性，难以进行多次动态观察和纵向追踪，同时存在各种潜在的併发症。因此，有迫切需要在临床实践中开发一种非入侵性的诊断工具，实现对肾脏纤维化病变进展的无创、精准动态监测。

S-CKD 通过机器学习技术整合患者年龄、超声测量的肾脏长径，以及肾脏叶间动脉的舒张期血流速度等三个核心变量的数值，辅助医护人员评估患者肾脏纤维化损害程度，指导治疗决策改善病人预后。S-CKD 设有在线网页版和离线文档版，适用于不同临床场景和对象进行辅助诊断。
有关研究已于2023年9月在学术期刊《Academic Radiology》发表，题为「开发和部署一种基于常规超声评估慢性肾脏病肾脏纤维化程度的新型诊断工具」。研究结果显示S-CKD表现出优异的诊断准确度，具备相当不错的临床应用价值。

此外，研究团队还开发了基于随机森林 (Random Forest) 的诊断模型，结合二维剪切波弹性成像（SWE）数据和慢性肾脏病患者的临床特徵来评估肾脏纤维化。随机森林是一种机器学习演算法技术，可从多个信息参数产生单一结果。研究成果「使用随机森林方法整合弹性成像数据和临床特徵评估慢性肾脏病患者肾脏纤维化程度」于2023年7月发表在世界医学和生物学超声联合会官方期刊《Ultrasound in Medicine & Biology》。

儘管研究团队在利用SWE技术评估肾脏纤维化方面也取得显着进展，但由于该技术需要特定设备和受过培训的操作人员，因此在医疗资源匮乏的地区难以推广应用。故研发S-CKD的初衷之一，就是仅需常规超声参数的应用，摆脱对专用设备和培训的依赖，使该工具更普及和易用。S-CKD从患者的病历和常规影像评估中输入参数，以低成本方法输出机率，能准确和动态地分层病人风险。此创新技术透过主动监测和无创评估，为慢性肾脏病的病情发展提供了以病人为本的临床管理和诊断决策支持。

从临床超声参数到超声图像分析的转化是研究团队目前深入探索的领域之一。放射组学分析是一种新兴的医学图像处理技术，能够从超声图像中挖掘单凭肉眼难以观察到的高通量有价值影像特徵，从而构建影像组学模型，实现无创性评估。研究团队应用放射组学技术，从肾脏超声影像中提取肉眼看不见的影像特徵，并透过基于机器学习的资料特徵演算法来实现这一目标。这创新技术结合影像与临床数据，开发诊断模型，并展现为网页计算器。相关研究成果「基于超声图像的放射组学分析技术在慢性肾脏病肾脏纤维化评估中的应用」也于2023年8月在《Abdominal Radiology》发表。