Новая диагностика ОПП у пациентов в критическом состоянии: чего ожидать в будущем

Intensive Care Med (2022) 48:1632–1634 https://doi.org/10.1007/s00134-022-06843-6

New diagnostics for AKI in critically ill patients: what to expect in the future

Greet De Vlieger, Lui Forni and Antoine Schneider

Синдром острого почечного повреждения (ОПП) определяется снижением скорости клубочковой фильтрации (СКФ) и проявляется повышением уровня креатинина в сыворотке крови (sCr) по сравнению с исходным уровнем и/или снижением диуреза (UO), как это было предложено в критериях Kidney Disease Improving Global Outcome (KDIGO) 2012 . Хотя это определение повысило осведомленность об ОПП и дало представление как об эпидемиологии, так и о связанных с ней исходах, эти критерии имеют важные ограничения [1]. К ним относятся опора на sCr, печально известный поздний и плохо чувствительный биомаркер повреждения почек, а также на жесткую и ресурсоемкую основу для критериев UO. Мы рассматриваем, как следующие несколько лет могут привести к улучшению как определения ОПП, так и детализации относительно различных фенотипов (Fig. 1 and supplemental table ).

Важность UO становится все более очевидной, хотя ее часто упускают из виду, поскольку точная оценка может быть проблематичной, учитывая, что вычисления включают разные периоды времени [2]. Однако появление автоматизированных систем мониторинга UO, которые непрерывно регистрируют UO и вычисляют стадию ОПП, может привести к улучшению как распознавания, так и классификации ОПП [3]. UO остается функциональным биомаркером целостности почек, свойство, используемое при применении стресс-теста с фуросемидом (FST), который оценивает двухчасовой UO после использования стандартизированной дозы фуросемида. Этот простой метод оценивает канальцевую реакцию и, следовательно, канальцевую целостность на дозу фуросемида и, по-видимому, является отличным предиктором ОПП 3 и необходимости заместительной почечной терапии (ЗПТ) [4].

Учитывая ограничения sCr и UO, поиск других биомаркеров для выявления раннего и/или легкого повреждения почек, дифференцирования индуцированного повреждения от функциональных изменений и субфенотипического ОПП продолжается уже несколько лет. В Европе коммерчески доступны три биомаркера ОПП: цистатин С, липокалин, ассоциированный с желатиназой нейтрофилов (NGAL), и TIMP-2xIGFBP7. Сообщалось о различной точности выявления ОПП для цистатина С и NGAL, и, насколько нам известно, никаких интервенционных исследований не проводилось [5].

TIMP-2xIGFBP7 (NephroCheck®) объединяет две молекулы: тканевой ингибитор металлопротеиназы 2 (TIMP-2) и белок 7, связывающий инсулиноподобный фактор роста (IGFBP7). Было показано, что TIMP-2xIGFBP7 является предиктором ОПП 2 или 3 в течение 12 часов после сбора образца у взрослых в критическом состоянии без признаков умеренного или тяжелого ОПП [6]. Он был успешно использован для стратификации послеоперационного риска в кардиохирургии и обширных абдоминальных вмешательств, а внедрение подходов KDIGO у пациентов с повышенным послеоперационным TIMP-2xIGFBP7 улучшало почечные исходы [7, 8]. В ближайшие годы следует ожидать более широкого использования биомаркеров почечного поражения для выявления пациентов, подходящих для клинических исследований, оценивающих нефропротекторные препараты или стратегии, такие как начало или прерывание ЗПТ.

Все чаще признается, что существует сильная связь между исходом и продолжительностью метаболических изменений, вызванных ОПП. Транзиторные (< 48 ч) эпизоды ОПП, по-видимому, связаны с более низкой смертностью, чем персистирующее ОПП, тогда как эпизод продолжительностью от 7 до 90 дней (определяемый как острое заболевание почек, ОБП) имеет другое прогностическое значение, чем хроническое заболевание почек (ХБП). ) [9]. Поэтому значительные усилия направлены на выявление биомаркеров, отражающих долгосрочную функцию почек. На сегодняшний день было показано, что хемокиновый лиганд 14 с мотивом С-С в моче (CCL14) является прогностическим биомаркером стойкого (> 72 ч) ОПП 3 у пациентов с ОПП 2 или 3 [10].

Основываясь на имеющихся данных, Acute Quality Dialysis Initiative опубликовала согласованный отчет в пользу использования почечных биомаркеров, особенно с точки зрения их включения в определение ОПП. Конечно, остается много вопросов об оптимальных сроках, идеальной границе, экономической эффективности и комбинированном использовании биомаркеров при лечении ОПП [11]. Ранее инструментов для оценки почечной кортикальной перфузии не было. Недавно было показано, что ультразвуковое исследование с контрастным усилением способно визуализировать микроциркуляцию в почках и обеспечить адекватный прогноз тяжелого ОПП [12].

Необходимы дальнейшие исследования, чтобы оценить, можно ли использовать этот метод для оптимизации лечения и результатов у пациентов с высоким риском ОПП. Еще один многообещающий инструмент, который находится в стадии разработки, — измерение СКФ в реальном времени. В настоящее время СКФ оценивают по расчетной СКФ, основанной на креатинине сыворотки или измеренном клиренсе креатинина, но оба метода отражают предшествующую функцию почек. Новые технологии, использующие чрескожное обнаружение флуоресцентной метки, были изучены в исследованиях на животных и отражают СКФ в реальном времени, а также общий объем плазмы.

В настоящее время проводятся исследования фазы 2 у пациентов, не находящихся в критическом состоянии [13]. Насколько нам известно, никаких исследований у пациентов с острыми заболеваниями не проводилось. Основным препятствием в поисках идеального диагностического инструмента для ОПП является значительная гетерогенность лежащая в основе патогенеза данного состояния и фактах риска пациентов. Следовательно, поиск единственного маркера представляется маловероятным. С другой стороны, более широкое использование электронных карт пациентов и связанных с ними массивных наборов данных создает возможность для выявления закономерностей, связанных с повышенным риском развития или прогрессирования ОПП. Было разработано несколько прогнозов машинного обучения для ОПП, тяжелого ОПП и потребности в ЗПТ в ОИТ и у госпитализированных пациентов.

На сегодняшний день лишь немногие из этих моделей прошли проспективную валидацию, и лишь немногие из них в настоящее время используются в клинической практике [14].Несколько исследователей предпринимают шаги по клиническому использованию этих моделей, что может еще больше оптимизировать их применение . Кроме того, модели можно перекалибровать при изменении клинической практики, и их использование не предполагает дополнительных затрат. Машинное обучение также можно использовать неконтролируемым образом, когда цель состоит не в прогнозировании результата, а в выявлении кластеров похожих пациентов. На сегодняшний день этот метод использовался только для субфенотипирования септического ОПП [15], но неконтролируемое обучение также может помочь идентифицировать другие группы со сходным патогенезом.

В заключение, в течение десятилетия после консенсусного определения KDIGO продолжается поиск дополнительных диагностических тестов для более раннего выявления повреждения почек. Хотя многие из этих методов кажутся многообещающими, будущая оценка функции почек должна быть персонализирована, а это означает, что потребуется комбинация инструментов.

Ссылка на документ с дополнительными данными исследования (Supplementary)

References

1. Wiersema R, Jukarainen S, Eck RJ et al (2020) Different applications of the KDIGO criteria for AKI lead to different incidences in critically ill patients: a post hoc analysis from the prospectiveobservational SICS-II study. Crit Care 24(1):164. https://doi.org/10.1186/s13054-020-02886-7

2. Bianchi NA, Stavart LL, Altarelli M, Kelevina T, Faouzi M, Schneider AG (2021) Associationof oliguria with acute kidney injury diagnosis, severity assessment, and mortality among patients withcritical illness. JAMA Netw Open 4(11):e21333094. https://doi.org/10.1001/jamanetworkopen.2021.33094

3. Minor J, Smith A, Deutsch F, Kellum JA (2021) Automated versus manual urine outputmonitoring in the intensive care unit. Sci Rep 11(1):17429. https://doi.org/10.1038/s41598-021-97026-8

4. McMahon BA, Chawla LS (2021) The furosemide stress test: current use and future potential. Ren Fail 43(1):830–839. https://doi.org/10.1080/ 0886022X.2021.1906701

5. Albert C, Zapf A, Haase M et al (2020) Neutrophil gelatinase-associated lipocalin measured onclinical laboratory platforms for the prediction of acute kidney injury and the associated need fordialysis therapy: a systematic review and meta-analysis. Am J Kidney Dis 76(6):826–841

6. Kashani K, Al-Khafaji A, Ardiles T et al (2013) Discovery and validation of cell cycle arrest biomarkers in human acute kidney injury. Crit Care 17(1):R25. https://doi.org/10.1186/cc12503

7. Kane-Gill S, Meersch M, Bell M (2020) Biomarker-guided management of acute kidney injury.Curr Opin Crit Care 26(6):556–562

8. Zarbock A, Küllmar M, Ostermann M et al (2021) Prevention of cardiac surgery-associated acute kidney injury by implementing the KDIGO guidelines in high-risk patients identified bybiomarkers: the PrevAKI- multicenter randomized controlled trial. Anesth Analg 133(2):292–302

9. Mehta S, Chauhan K, Patel A et al (2018) The prognostic importance of duration of AKI: asystematic review and meta-analysis. BMC Nephrol 19(1):91. https://doi.org/10.1186/s12882-018-0876-7

10. Hoste E, Bihorac A, Al-Khafaji A et al (2020) Identification and validation of biomarkers ofpersistent acute kidney injury: the RUBY study. Intensive Care Med. https://doi.org/10.1007/S00134-019-05919-0

11. Ostermann M, Zarbock A, Goldstein S et al (2020) Recommendations on acute kidney injurybiomarkers from the acute disease quality initia- tive consensus conference: a consensus statement. JAMA Netw Open 3(10):e2019209. https://doi.org/10.1001/jamanetworkopen.2020.19209

12. Harrois A, Grillot N, Figueiredo S, Duranteau J (2018) Acute kidney injury is associated with a decrease in cortical renal perfusion during septic shock. Crit Care 22(1):161

13. Schneider AG, Molitoris BA (2020) Real-time glomerular filtration rate: improving sensitivity, accuracy and prognostic value in acute kidney injury. Curr Opin Crit Care 26(6):549–555.https://doi.org/10.1097/MCC. 0000000000000770

14. De Vlieger G, Kashani K, Meyfroidt G (2020) Artificial intelligence to guide management ofacute kidney injury in the ICU: a narrative review. Curr Opin Crit Care 26(6):563–573.https://doi.org/10.1097/MCC.0000000000 000775

15. Chaudhary K, Vaid A, Duffy A et al (2020) Utilization of deep learning for subphenotypeidentification in sepsis-associated acute kidney injury. Clin J Am Soc Nephrol 15(11):1557–1565.https://doi.org/10.2215/CJN.09330 819