核心要点：
人工智能模型成功识别出接受血液透析的终末期肾病（ESKD）患者中因感染或液体状态异常面临短期住院风险的人群。结合护士主导的病例审查和针对性干预措施，该策略有效避免了短期住院事件，彰显了人工智能在指导及时、精准医疗方面的潜力。
研究方法：
- 针对在门诊透析中心接受治疗的ESKD患者，基于人工智能的机器学习方法在预测再住院和急诊就诊方面具有更高准确性，但在肾病学领域的应用较其他医学专科更为有限。
- 研究人员对2023年在美国综合肾脏护理中心接受基于价值血液透析的10,294名成年医疗保险患者进行了回顾性观察性匹配队列研究。
- 两个经过验证的机器学习模型（一个基于液体超负荷输入，另一个基于感染输入）每日计算0至1的风险评分，将评分≥0.64的患者判定为未来7天内因液体超负荷或感染面临住院风险的高危人群。
- 远程护士按风险评分从高到低系统审查高危患者，开展病例审查；干预措施由远程护士或诊所工作人员实施；将实施干预的观察结果与未干预的观察结果进行匹配。
- 研究通过关联电子病历和医疗保险索赔数据，评估AI触发的病例审查与干预措施和7天内全因住院之间的关联性。
关键发现：
- 在83,928次风险评分观察中，13,988次触发了病例审查和干预；其中60%由护士远程管理，40%由诊所工作人员管理。
- 慢性高风险评分患者的住院几率比偶尔出现风险峰值的患者高53%（比值比[OR]为1.53；P < 0.001）。
- 接受AI驱动干预的患者，7天内住院几率较未接受干预者降低8%（OR为0.92；P = 0.025）；远程护士管理和诊所管理患者的结局相当。
- 按风险评分分析，评分高于0.75-0.85的患者住院风险降低12%（OR为0.88；P = 0.02）；最终风险评分高于0.85的患者住院率更高，尽管该群体接受更多干预，但未能显著降低7天内住院风险。
临床应用：
研究作者指出："这些发现凸显了AI驱动的机器学习模型在协助医疗保健提供者对ESKD患者实施靶向风险干预方面的潜力。"
来源：
该研究由马萨诸塞州沃尔瑟姆肾病研究所的Sheetal Chaudhuri博士领导，已在线发表于《新英格兰医学杂志》护理创新期刊。
研究局限：
回顾性设计引入固有偏倚。缺乏对具体干预措施的详细记录限制了向其他临床环境的推广性。由于病例未基于人口统计学因素匹配，存在潜在混杂因素。主要结局聚焦于与模型预测周期一致的7天住院率，未评估30天住院等更长期的利用结局。
利益声明：
研究获得费森尤斯医疗（Fresenius Medical Care）资助。部分作者报告受雇于包括资助方在内的医疗保健公司；存在咨询安排；持有股票或股票期权；拥有与诊断或分析工具相关的专利所有权或待审专利申请；并在机构研究或领导岗位任职。
本文在发布前经人类编辑审核，部分内容通过包括人工智能在内的多种编辑工具创建。
【全文结束】