客户文章 ｜ Am J Nephrol：吴俊男教授团队领衔“算法赛马”，AI如何重塑全球CKD预测新范式？

慢性肾脏病（Chronic Kidney Disease, CKD）作为全球公共卫生的“隐形杀手”，其发病隐匿、病因复杂的特性，长期以来一直是流行病学预测的难点。面对全球范围内海量、多维且异质性极高的临床数据，传统的线性统计模型往往显得力不从心。

近日，一篇题为 《The Power of Multiple Artificial Intelligence Models to Predict Global Chronic Kidney Disease Incidence: Who Leads the Race?》 （多重人工智能模型预测全球慢性肾脏病发病率的力量：谁在领跑？）的研究论文，为这一难题提供了全新的解题思路。该研究不仅揭示了不同算法模型在CKD预测中的优劣，更标志着医学科研正在从“经验驱动”向“数据智能驱动”的范式转型。

01.深度解读：一场发生在云端的“算法赛马”

研究背景：一场“人机协同”的实验

这项研究的核心目标非常明确：利用历史数据，预测2023年全球及各区域成人的慢性肾脏病（CKD）发病率。研究团队设计了一个巧妙的对比实验：

• 红方（传统派）：

使用经典的 ARIMA 和 BAPC 模型，这是流行病学预测的“金标准”。

• 蓝方（AI派）：

引入了5个主流的大语言模型（LLM）。

值得一提的是，为了确保实验的客观性与前沿性， 研究团队在实验过程中调用的多款高性能大模型，主要由深圳东方天意科技有限公司自主研发的科研AI平台提供算力与服务支持。这确保了研究人员能够在一个稳定、高并发的环境下，同时对多个顶尖模型进行“盲测”。

令人惊讶的“涌现”能力

研究人员给这些大模型的指令（Prompt）非常简单，仅包含了结构化的任务引导， 没有提供任何具体的模型参数、代码或先验公式 。指令仅要求：

“基于GBD数据库的历史数据，预测2023年成人CKD发病率；直接输出分析结果；描述预测方法；提供精确预测值。”

结果发生了什么？

这正是大模型最令人着迷的地方—— “方法论的自发涌现” 。

文中指出：“Even in the absence of explicit methodological instructions, most models independently chose to implement time series forecasting techniques.”（即使在没有明确方法指导的情况下，大多数模型独立选择了实施时间序列预测技术。）

这意味着，AI 并不是在“瞎猜”，它 “理解” 了数据的时序特性，并自主调用了类似于人类专家的逻辑链条来进行推演。

结果解读：AI 成为可靠的“第三只眼”

在传统模型的预测中，研究发现 ARIMA 和 BAPC 在大多数地区预测一致（差异在 ±10/10万以内），但在“高收入北美地区”，两个传统模型的预测差异竟然高达 160/10万！这时候，究竟信谁的？

大模型的介入，为这种“模型打架”的困境提供了全新的 三角验证（Triangulation） 视角。通过科研AI平台集成的多模型矩阵，研究人员可以快速获得第三、第四种预测视角，通过对比 AI 预测值与传统模型值的吻合度，极大地提高了对异常数据（Outliers）的敏感度与决策信心。

最终数据表明，在高收入亚太地区，CKD的负担依然最重（发病率约 842/10万），而全球年龄标准化发病率达到了 373/10万。这一结果的快速产出，验证了利用大模型进行流行病学初步筛查与趋势预测的巨大潜力。

02.核心洞察：AI——科研工作的“降维打击”武器

基于这篇论文的启示，我们发现，通过科研AI平台使用大模型，可以在科研的各个环节解决那些让你“头秃”的痛点。

场景一：海量文献综述（Literature Review）

痛点：写一篇高质量综述，往往需要阅读 50-100 篇文献。手动提取 P值、样本量、致病机理，不仅耗时（通常需要 1-2 周），而且容易遗漏关键信息，或者因疲劳导致记录错误。

模型解决方案： “结构化信息萃取”

操作：将几十篇 PDF 文献打包上传至模型对话框。

Prompt：

“请阅读上传的文献，提取每篇文章的以下信息并整理成Markdown表格：作者、发表年份、研究人群、样本量、核心结论、局限性。”

效果：10分钟内，你将获得一张完美的综述底表。你甚至可以追问：“这些文献在‘发病机制’的观点上存在哪些争议？”模型会立刻为你生成逻辑清晰的观点对比分析。

场景二：实验数据可视化（Data Visualization）

痛点：你手握珍贵的实验数据，脑海里有了图表的雏形，但为了调整 Matplotlib 的配色、字体大小、图例位置，你在这行代码上卡了整整一下午。

模型解决方案： “自然语言绘图”。

操作：上传 Excel/CSV 数据。

Prompt：

“请用 Python 为我画一张小提琴图，展示不同基因敲除组（KO vs WT）的蛋白表达差异。要求：配色符合 Nature 期刊风格，使用‘Set2’色板，标注显著性差异（P<0.05），背景为白色网格。”

效果：模型直接生成可运行的 Python 代码并渲染出图。如果不满意，你只需说：“把图例移到右上市”，它会自动修改代码。

场景三：科研假说验证与头脑风暴（Hypothesis Generation）

痛点：实验结果与预期相反（Negative Data），项目陷入僵局，不知道下一步该往哪个方向调整，导师也没空天天指导你。

模型解决方案： “AI 导师模拟器”。

操作：描述你的实验设计和意外结果。

Prompt：

“我在进行......实验时，发现......结果与预期相反。请基于目前的细胞生物学知识，列出 5 种可能的解释，并针对每种解释提出一个验证性实验方案。”

效果：AI 能够跨学科调用知识库，为你提供从“信号通路串扰”到“实验条件干扰”的多维度分析，往往能点亮你未曾想到的盲区。

场景四：学术论文初稿与润色（Writing & Polishing）

痛点：满腹经纶倒不出，写出来的英文像“中式翻译”，或者逻辑由于反复修改变得支离破碎。

模型解决方案： “金牌审稿人预审”。

操作：粘贴你的 Discussion 部分。

Prompt：

“请以该领域资深审稿人的角度，指出这段讨论逻辑上的弱点。然后，请按照《Lancet》或《Nature》的语言风格，对段落进行润色，提升学术性和可读性，但保留原意。”

效果：不仅语言更地道，逻辑漏洞也会被提前填补。

03.团队核心成员介绍

吴俊男教授（团队负责人）

任职于浙江大学医学院附属邵逸夫医院肾内科，担任肾内科副主任（主持工作），同时兼聘浙江大学药学院副院长，是浙江大学“百人计划”研究员、博士生导师。在学术任职方面，他担任中国生理学会肾脏病专业委员会委员，以及浙江省数理学会肾脏病专业委员会、浙江省预防医学会肾脏疾病预防与控制委员会副主任委员。科研成果丰硕，以第一作者或通讯作者身份在《Immunity》《JCI》《JASN》等国际顶尖期刊发表论文40余篇，主持国家重点研发计划、浙江省杰青、国自然面上等国家级及省部级项目10余项，在肾脏病学基础研究与临床转化领域具有深厚积累。

卿剑波 博士（第一作者）

1999年8月出生，现为浙江大学医学院附属邵逸夫医院在读博士。在学术出版领域担任多项重要职务，包括《Renal Failure》副主编、《BMC Nephrology》副主编（中国大陆稿件总编辑），2026年起将出任《American Journal of the Medical Sciences》执行主编，同时担任《Journal of Medical Case Reports》（肾脏病学及遗传学总编辑）、《Journal of Inflammation Research》编委会成员、《BMC Urology》编委会成员及Springer Nature出版集团BMC系列编辑。科研产出突出，近五年以第一作者身份在《JASN》《AJN》等肾脏病学权威期刊发表SCI论文16篇，共同第一作者1篇，累计参与发表SCI论文30余篇，在肾脏病流行病学与AI科研交叉领域展现出极强的学术潜力。