非入侵性智能化診斷工具 Smart-CKD 提升慢性腎臟病臨床管理效能

慢性腎臟病影響著全球約 10% 人口，其中腎臟纖維化會令腎功能逐漸喪失，最終可能導致末期腎衰竭，因此早期診斷和持續監測尤其重要。理大醫療科技及資訊學系研究團隊成功研發非入侵性智能化診斷工具「Smart-CKD」（S-CKD），整合及分析患者的腎臟超聲數據和臨床信息，通過量化指標評估腎臟纖維化程度及風險，為醫護人員提供重要的診斷決策依據，診斷效能達 80%。有關研究成果已於學術期刊《Academic Radiology》發表。

早期診斷並準確分期腎臟纖維化程度有助病情評估、預後判斷和指導臨床治療決策，可預防及延緩病情惡化。然而，要精準識別高風險的腎臟纖維化患者仍是臨床上的難題。

研究團隊聯同中山大學附屬第五醫院專家團隊，成功研發非入侵性智能化診斷工具 S-CKD。這一創新工具利用先進資訊科技，致力於改善慢性腎臟病的病情監測和臨床管理，為患者提供具合成本效益的管理方案，並具備顯著的臨床優勢。

前腎活檢組織病理學檢查，仍然是臨床上腎臟纖維化確診和分期的「金標準」，但腎活檢具有創傷性，難以進行多次動態觀察和縱向追蹤，同時存在各種潛在的併發症。因此，有迫切需要在臨床實踐中開發一種非入侵性的診斷工具，實現對腎臟纖維化病變進展的無創、精準動態監測。

S-CKD 通過機器學習技術整合患者年齡、超聲測量的腎臟長徑，以及腎臟葉間動脈的舒張期血流速度等三個核心變量的數值，輔助醫護人員評估患者腎臟纖維化損害程度，指導治療決策改善病人預後。S-CKD 設有在線網頁版和離線文檔版，適用於不同臨床場景和對象進行輔助診斷。

有關研究已於2023年9月在學術期刊《Academic Radiology》發表，題為「開發和部署一種基於常規超聲評估慢性腎臟病腎臟纖維化程度的新型診斷工具」。研究结果顯示S-CKD表現出優異的診斷準確度，具備相當不錯的臨床應用價值。

此外，研究團隊還開發了基於隨機森林 (Random Forest) 的診斷模型，結合二維剪切波彈性成像（SWE）數據和慢性腎臟病患者的臨床特徵來評估腎臟纖維化。隨機森林是一種機器學習演算法技術，可從多個信息參數產生單一結果。研究成果「使用隨機森林方法整合彈性成像數據和臨床特徵評估慢性腎臟病患者腎臟纖維化程度」於2023年7月發表在世界醫學和生物學超聲聯合會官方期刊《Ultrasound in Medicine & Biology》。

儘管研究團隊在利用SWE技術評估腎臟纖維化方面也取得顯著進展，但由於該技術需要特定設備和受過培訓的操作人員，因此在醫療資源匱乏的地區難以推廣應用。故研發S-CKD的初衷之一，就是僅需常規超聲參數的應用，擺脫對專用設備和培訓的依賴，使該工具更普及和易用。S-CKD從患者的病歷和常規影像評估中輸入參數，以低成本方法輸出機率，能準確和動態地分層病人風險。此創新技術透過主動監測和無創評估，為慢性腎臟病的病情發展提供了以病人為本的臨床管理和診斷決策支持。

從臨床超聲參數到超聲圖像分析的轉化是研究團隊目前深入探索的領域之一。放射組學分析是一種新興的醫學圖像處理技術，能夠從超聲圖像中挖掘單憑肉眼難以觀察到的高通量有價值影像特徵，從而構建影像組學模型，實現無創性評估。研究團隊應用放射組學技術，從腎臟超聲影像中提取肉眼看不見的影像特徵，並透過基於機器學習的資料特徵演算法來實現這一目標。這創新技術結合影像與臨床數據，開發診斷模型，並展現為網頁計算器。相關研究成果「基於超聲圖像的放射組學分析技術在慢性腎臟病腎臟纖維化評估中的應用」也於2023年8月在《Abdominal Radiology》發表。