TGF-β由于兼具纤维化和保护作用，被视为潜在的早期诊断和预测CKD进展的新型生物标志物。那么，TGF-β能否预测CKD进展呢？坦桑尼亚多多马大学和南非威特沃特斯兰德大学的研究团队公布的一项研究结果回答了这一问题。

这项研究为一项前瞻性纵向研究，纳入2019年9月至2022年3月期间，在南非夏洛特?马克斯凯约翰内斯堡学术医院（CMJAH）肾脏门诊就诊的黑人CKD患者。患者在研究开始（0个月）和24个月随访时，分别提供了尿液和血液样本，用于实验室检查。研究人员仅在基线时，使用人TGF-β二联酶联免疫吸附试验（ELISA），检测了血清和尿液中的TGF-β1、TGF-β2和TGF-β3水平，并通过多变量逻辑回归分析，判断TGF-β亚型是否能预测CKD进展。

研究共纳入312例患者，其中297例（95.2%）完成了研究。经过2年随访，依据估算肾小球滤过率（eGFR）持续下降>4 ml/min/1.73 m²/年或更多来判断，CKD进展率为47.8%；若依据尿蛋白肌酐比（uPCR）变化>30%，则CKD进展率则为51.9%。

在CKD进展的患者中，54.9%为男性，CKD进展者基线时的中位年龄为59（46~67）岁，无CKD进展者的中位年龄为56（45-66）岁。

研究发现，显著性变量为较低的基线中位eGFR和升高的中位uPCR，CKD进展患者与非进展患者相比，这两个变量都存在统计学意义。同时，对比两组患者，有CKD进展的患者中位血清TGF-β1为21 210（15 915~25 745）ng/L，无进展患者为24 200（17 570~29 560）ng/L；有CKD进展患者的中位尿TGF-β3为17.5（5.4~76.2）ng/L，无进展患者为2.8（1.8~15.3）ng/L。不过，经过多变量逻辑回归分析，基线血清和尿TGF-β亚型与CKD进展并无显著关联（图1）。

综上所述，虽然CKD进展患者在基线时，呈现出血清TGF-β1浓度较低、尿TGF-β3浓度升高的特征，但基线TGF-β亚型并不能有效预测CKD进展。这也意味着，寻找更敏感的预测CKD进展的生物标志物，依然是肾脏病学领域亟待解决的重要任务。

来自印度阿波罗医院临床人工智能实验室和行政管理部门的研究团队，展示了他们在利用贝叶斯深度学习算法预测CKD恶化速度方面的探索与发现。

他们采用回顾性队列研究设计，在印度七家主要的阿波罗医院展开研究。最初纳入了超过60 000份年龄在20~80岁之间的CKD确诊患者记录，经过特定排除标准筛选后，最终确定了1529例患者作为研究对象。这些患者在3年时间内均出现了疾病进展，主要表现为估算肾小球滤过率（eGFR）下降。研究中考虑的临床参数涵盖年龄、性别、2型糖尿病、高血压、血脂异常、泌尿系统问题、全身性疾病、重大心血管疾病，以及肌酐、白蛋白、尿素、尿酸和血清电解质等实验室指标。

研究团队运用贝叶斯神经网络（BNNs）进行建模，以预测eGFR的恶化速度，并通过K折交叉验证技术（K=5）对模型进行开发和验证，避免出现过拟合或欠拟合的情况。

研究结果显示，多变量分析显示，糖尿病（优势比OR为3.2，置信区间[CI]为2.85~3.55）、年龄（OR为2.6，CI为2.14~2.93）、高血压（OR为3.3，CI为2.97~3.63）在临床特征中与eGFR恶化显著相关。同时，肌酐、eGFR、尿素、血红蛋白、白蛋白和钠水平等指标，与CKD恶化的关联度也较高。回归方程结果显示（图2），R2与早期CKD变化（G1->90 ml/min/1.73sqm）显著相关。总体而言，采用K折交叉验证的贝叶斯深度学习回归结果显示，平均R2为0.4265，均方误差为0.0147。此外，研究人员使用贝叶斯神经网络分类器，并结合K折验证引入与eGFR恶化相关的不确定性估计来扩展神经网络。当eGFR恶化阈值分别为0.05、0.10、0.15和0.20(ml/min/1.73sqm)/天时，基于此建立了多个分类模型，其中阈值为0.05时的曲线下面积（AUC）达到0.85（平均精度AP为0.83），阈值为0.10时AUC为0.88（AP为0.73）。

此次研究充分彰显了贝叶斯深度学习在准确预测CKD进展方面的有效性，为早期检测和干预提供了有力支持。若该研究结果在后续试验中得到进一步验证，将在医疗、财务和资源分配等方面带来显著效益，也有望推动人工智能在慢性病管理领域更广泛的应用，为全球CKD患者带来新的希望。