第一部分人工智能在预测透析中低血压中的应用:系统综述目的:IDH（intradialytic hypotension,透析中低血压）是血液透析过程中的严重并发症,与全因死亡率和心血管死亡率有关。IDH的发生与许多参数有关,如患者的合并疾病、透析相关因素等。人工智能允许将不同类型的患者数据统一到同一算法中,用于训练和验证模型以预测疾病状态或预后。目前已有一些预警模型用于预测IDH的发生风险,但缺少外部验证,且尚未在临床中应用。本研究旨在概述人工智能预测模型对IDH的预测效果,并讨论在临床实践中实施这些模型的可能性。方法:使用医学主题词构建检索式检索OVID、Pub Med和Web of Science数据库,使用PROBAST（prediction model risk of bias assessment tool,多因素预测模型研究的偏倚风险评价工具）评估预测模型的开发或外部验证中的偏倚。结果:机器学习技术已被应用于预测IDH的风险。近年来开发了多种模型,但目前尚无IDH预警模型的RCT（randomized controlled trial,随机对照试验）验证。结论:目前已有数个基于人工智能的预警模型用于预测IDH的发生风险,在内部验证中表现出较好的性能,但缺少外部验证,偏倚风险高,且尚未应用于临床。第二部分列线图模型对血液透析患者透析中低血压发生风险的预测及评估目的:通过构建列线图来预测血液透析患者IDH的发生风险。方法:本研究纳入2014年~2020年于四川省人民医院接受血液透析的患者,采集患者的基本信息、实验室检查和透析治疗记录,按7:3的比例随机将数据集拆分为训练集和测试集,设计多变量逻辑回归模型,对训练集数据应用R语言构建列线图模型以预测IDH发生风险,测试集数据使用Bootstrap法对列线图模型进行验证,通过计算ROC（receiver operating characteristic curve,受试者操作特征）曲线下面积和内部验证C-指数以评估模型的预测性能。通过校正曲线来判断预测模型的稳定性。结果:共纳入3906例患者,314534条透析治疗记录。经回归分析,年龄、性别、透析前收缩压、透析前舒张压、心率、初步超滤量、血红蛋白和血钙被识别并输入列线图。列线图表现出较良好的辨别力,其AUROC（Area Under the Receiver Operating Characteristic curve,受试者工作特征曲线下面积）为0.733（95%CI 0.700~0.765）,内部验证C-指数0.730,测试集AUROC为0.727（95%CI 0.724~0.731）。校准曲线显示出列线图预测IDH发生的概率与实际概率接近。结论:本研究构建的列线图可用于甄别IDH的高风险患者并指导IDH患者个性化的诊疗干预措施,表明列线图可能具有临床效用。该模型有可能帮助临床医生提出治疗建议。第三部分基于人工智能的透析中低血压的早期预警模型的构建目的:利用人工智能在血液透析前建立早期预警系统,以识别IDH的高危患者。方法:纳入四川省人民医院2014-2020年肾病治疗信息系统中共314534次血液透析记录。采用EBPG推荐的定义（IDH定义为透析过程中收缩压下降≥20mm Hg,平均动脉压下降≥10mm Hg,或发生需要护理干预的临床低血压事件）。数据经预处理后被随机分为训练集（80%）和测试集（20%）。使用四种填充方法、三种特征选择方法和18种机器学习算法来构建预警模型。AUROC是评价模型性能的主要指标,而SHAP（Shapley Additive Explanation,模型事后解释方法）则用于解释每个变量对最佳预测模型的贡献。结果:共纳入3906例患者和314534次透析记录,其中142237例出现IDH（发生率为45.2%）。通过人工智能特征筛选识别出19个参数,包括年龄、透析前体重、干重、透析前血压、心率、处方超滤、血细胞计数（中性粒细胞数、单核细胞数、淋巴细胞数、嗜酸性粒细胞数、血小板计数）、红细胞比容、血清钙、血肌酐、尿素、葡萄糖和尿酸。采用18种机器学习算法构建216个模型,其中RF（random forest,随机森林）,GB（gradient boosting,梯度提升）,logistic回归是三个表现最佳的模型,AUROC分别为0.812（95%CI,0.811-0.813）、0.748（95%CI,0.747-0.749）和0.743（95%CI,0.742-0.744）。结论:本研究所构建的基于透析软件的人工智能预警系统可用于预测IDH的发生,从而有助于启动相关干预措施。