nefrНефрологияNephrology (Saint-Petersburg)1561-62742541-9439Pavlov First Saint-Petersburg State Medical University10.36485/1561-6274-2026-30-2-36-48GYYPQOnefr-2572Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИ. КЛИНИЧЕСКИЕ ИССЛЕДОВАНИЯORIGINAL ARTICLES. CLINICAL INVESTIGATIONSВиртуальная нефробиопсия как база знаний по функционально-морфологическим паттернамVirtual nephrobiopsy as a knowledge base from functional-morphological patternshttps://orcid.org/0009-0000-7449-9244СлейманМ.SleimanM.

Слейман Малака, аспирант кафедры клинической лабораторной диагностики с курсом молекулярной медицины

197022,  Санкт-Петербург, ул. Л. Толстого, д. 6–8

Sleiman Malakah, MD, Postgraduate Student, Department of Clinical Laboratory Diagnostics with a Course in Molecular Medicine

197022, Saint Petersburg, L. Tolstoy St., bldg. 6-8

malakahsleiman2020@gmail.comhttps://orcid.org/0000-0002-5722-8693ХасунМ. Х.KhasunM. Kh.

Доц. Хасун Мохамад Халедович, канд. мед. наук, доцент кафедры пропедевтики внутренних болезней с клиникой имени академика М.Д. Тушинского

197022, Санкт-Петербург, ул. Л. Толстого, д. 17

Khasun Mohamad Khaledovich, MD, PhD,  Associate Professor, Department of Propaedeutics of Internal Diseases, with the Academician M.D. Tushinsky Clinic

197022, Saint Petersburg, L. Tolstoy St., bldg. 17 

nefrolog2013@mail.ruhttps://orcid.org/0000-0002-9455-1043РумянцевА. Ш.RumyantsevA. Sh.

 Румянцев Александр Шаликович, проф., д-р мед. наук кафедра факультетской терапии; профессор кафедры пропедевтики внутренних болезней с клиникой имени академика М.Д. Тушинского

199106, Санкт-Петербург, 21-я линия В.О., д. 8а; 197022, Санкт-Петербург, ул. Льва Толстого, д. 6–8

Prof . Aleksandr Sh. Rumyantsev MD, PhD, DMed Sci., Department of faculty therapy; Department of Propaedeutics of Internal Diseases

199106, St. Petersburg, 21st line V.O., 8a; , L'va Tolstogo str. 6-8, Saint Petersburg

rash.56@mail.ruhttps://orcid.org/0000-0001-5837-6703КашинаИ. А.KashinaI. A.

Кашина Ирина Александровна, биолог экспресс-лаборатории № 2 Отделения лабораторной диагностики Центра лабораторной диагностики

197022, Санкт-Петербург, ул. Л. Толстого, д. 17

Kashina Irina Aleksandrovna MD, Biologist, Express Laboratory No. 2, Department of Laboratory Diagnostics, Center for Laboratory Diagnostics

197022, Saint Petersburg, L. Tolstoy St., bldg. 17 

irinailar@mail.ruhttps://orcid.org/0009-0005-3032-3008РазумовскаяМ. С.RazumovskayaM. S.

Разумовская Мария Сергеевна, врач клинической лабораторной диагностики экспресс-лаборатории № 2 Отделения лабораторной диагностики Централабораторной диагностики

197022,  Санкт-Петербург, ул. Л. Толстого, д. 17

Razumovskaya Maria Sergeevna, MD, Clinical Laboratory Diagnostics Physician, Express Laboratory No. 2, Department of Laboratory Diagnostics, Center for Laboratory Diagnostics

197022, Saint Petersburg, L. Tolstoy St., bldg. 17

kosovec.mariya@gmail.comhttps://orcid.org/0000-0002-2079-0439ЭмануэльВ. Л.EmanuelV. L.

Эмануэль Владимир Леонидович, проф., д-р мед. наук, заведующий кафедрой клинической лабораторной диагностики с курсом молекулярной медицины 

197022, Санкт-Петербург, ул. Л. Толстого, д. 6–8

Professor Emanuel Vladimir Leonidovich, MD, PhD, DMedSci, Head of the Department of Clinical Laboratory Diagnostics with a Course in Molecular Medicine

197022, Saint Petersburg, L. Tolstoy St., bldg. 6-8

vladimirem1@gmail.comПервый Санкт-Петербургский государственный медицинский университет им. акад. И.П. ПавловаРоссияPavlov First Saint Petersburg State Medical University of the Ministry of Health of RussiaRussian FederationПервый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова; Санкт-Петербургский государственный университетРоссияPavlov First Saint Petersburg State Medical University of the Ministry of Health of Russia; St. Petersburg State UniversityRussian Federation2026260720263023648Copyright © Слейман М., Хасун М.Х., Румянцев А.Ш., Кашина И.А., Разумовская М.С., Эмануэль В.Л., 20262026Слейман М., Хасун М.Х., Румянцев А.Ш., Кашина И.А., Разумовская М.С., Эмануэль В.Л.Sleiman M., Khasun M.K., Rumyantsev A.S., Kashina I.A., Razumovskaya M.S., Emanuel V.L.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://journal.nephrolog.ru/jour/article/view/2572ВВЕДЕНИЕ

ВВЕДЕНИЕ. Диагностика заболеваний почек остаётся серьёзной задачей, поскольку во многих случаях базируется на исследовании прижизненного нефробиоптата, поскольку морфологическая форма заболевания определяет тактику лечения, в том числе с применением агрессивных фарм препаратов. Определение патогенетической группы нефропатии неинвазивным способом снижает риск медикаментозного воздействия в случаях лечения без морфологической диагностики. 

ЦЕЛЬ ИССЛЕДОВАНИЯ

ЦЕЛЬ ИССЛЕДОВАНИЯ: разработка математического аппарата построения виртуальных морфологических характеристик почек по совокупности данных об их функциональном состоянии. 

ПАЦИЕНТЫ И МЕТОДЫ

ПАЦИЕНТЫ И МЕТОДЫ: технологии на основе искусственного интеллекта с машинным обучением по данных 571 пациента с морфологическим диагнозом. 

РЕЗУЛЬТАТЫ 

РЕЗУЛЬТАТЫ . Предложенный комплекс методов медицинской информатики демонстрирует потенциал для виртуального патоморфологического конструирования и повышения безопасности медицинской помощи, обеспечивая поддержку принятия клинических решений.

BACKGROUND

BACKGROUND. Diagnosis of kidney diseases remains a serious challenge, as in many cases it is based on the examination of a kidney biopsy specimen, since the morphological form of the disease determines the treatment strategy, including the use of aggressive pharmacological agents. Non-invasive determination of the pathogenetic group of nephropathy reduces the risk of drug exposure in cases of treatment without morphological diagnosis. 

THE AIM

THE AIM. Development of a mathematical apparatus for constructing virtual morphological characteristics of the kidneys based on aggregate data on their functional status. 

PATIENTS AND METHODS

PATIENTS AND METHODS. Artificial intelligence technologies with machine learning based on data from 571 patients with morphological diagnoses. 

RESULTS

RESULTS. The proposed set of medical informatics methods demonstrates potential for virtual pathomorphological modeling and improving healthcare safety by providing clinical decision support. 

CONCLUSION

CONCLUSION. The proposed system can be used as a clinical decision support tool, enabling patient stratification into three pathogenetic groups (glomerular, tubulointerstitial, and vascular) that differ in principles of clinical management and drug therapy. This highlights the potential of medical informatics and machine learning methods for improving the clinical interpretability of nephrobiopsy data.

искусственный интеллектмашинное обучениенефропатиинеинвазивная диагностикаморфологические паттерныпрогнозирование тяжестиRandom Forestбиомаркерartificial intelligencemachine learningnephropathiesnon-invasive diagnosticsmorphological patternsseverity predictionRandom ForestbiomarkerReferencesШилов ЕМ, Есаян АМ, Петрова НЮ, Артемов ДВ, Батюшин ММ, Бевзенко АЮ, Бельских АН, Веселкова НВ, Ивлиев СВ, Стаценко МЕ, Столяр АГ, Шилова ММ. Хроническая болезнь почек должна стать приоритетной областью российского здравоохранения. Заявление президиума профильной комиссии по нефрологии Минздрава России. 2025. doi: 10.36485/1561-6274-2025-29-4-8-21. EDN: PAQGCCShilov EM, Yesayan AM, Petrova NYu, Artemov DV, Batyushin MM, Bevzenko AYu, Belskikh AN, Veselkova NV, Ivliev SV, Statsenko ME, Stolyar AG, Shilova MM. Chronic kidney disease should become a priority area of Russian healthcare. Statement of the Presidium of the Specialized Commission on Nephrology of the Ministry of Health of Russia. 2025. doi: 10.36485/1561-62742025-29-4-8-21. EDN: PAQGCCFeng C, Liu F. Artificial intelligence in renal pathology: Current status and future. Clin Kidney J 2022;15:100–112Feng C, Liu F. Artificial intelligence in renal pathology: Current status and future. Clin Kidney J 2022;15:100–112Генкин АА. Новая информационная технология анализа медицинских данных. Программный комплекс ОМИС. Политехника, СПб., 1999, 191 сGenkin AA. New information technology for medical data analysis. OMIS software package. Polytechnic, St. Petersburg, 1999, 191 pРябов СИ, Эмануэль ВЛ, Плоткин ВЯ, Клемина ИК. Роль поражения канальцев и интерстиция в развитии почечной недостаточности. Арх Патол 1982;44(12):55–58Ryabov SI, Emanuel VL, Plotkin VYa, Klemina IK. The role of lesion of tubules and interstitium in the development of renal insufficiency. Arkh Patol 1982;44(12):55–58Cascarano GD, Debitonto FS, Lemma R, Brunetti A, Buongiorno D, De Feudis I et al. A neural network for glomerulus classification based on histological images of kidney biopsy. BMC Med Imaging 2021;21:12. doi:10.1186/s12880-021-00562-2Cascarano GD, Debitonto FS, Lemma R, Brunetti A, Buongiorno D, De Feudis I et al. A neural network for glomerulus classification based on histological images of kidney biopsy. BMC Med Imaging 2021;21:12. doi:10.1186/s12880-021-00562-2Luo Y, Liang J, Hu X, Tang Z, Zhang J, Han L et al. Deep learning algorithms for the prediction of posttransplant renal function in deceased-donor kidney recipients: a preliminary study based on pretransplant biopsy. Front Med (Lausanne) 2021;8:664. doi:10.3389/fmed.2021.00664Luo Y, Liang J, Hu X, Tang Z, Zhang J, Han L et al. Deep learning algorithms for the prediction of posttransplant renal function in deceased-donor kidney recipients: a preliminary study based on pretransplant biopsy. Front Med (Lausanne) 2021;8:664. doi:10.3389/fmed.2021.00664Fayzullin A, Ivanova E, Grinin V, Ermilov D, Solovyeva S, Balyasin M et al. Towards accurate and efficient diagnoses in nephropathology: an AI-based approach for assessing kidney transplant rejection. Comput Biol Med 2022;145:105427. doi:10.1016/j.compbiomed.2022.105427Fayzullin A, Ivanova E, Grinin V, Ermilov D, Solovyeva S, Balyasin M et al. Towards accurate and efficient diagnoses in nephropathology: an AI-based approach for assessing kidney transplant rejection. Comput Biol Med 2022;145:105427. doi:10.1016/j. compbiomed.2022.105427Sawhney R, Malik A, Sharma S, Narayan V. A comparative assessment of artificial intelligence models used for early prediction and evaluation of chronic kidney disease. Healthc Technol Lett 2020;7(6):158–165. doi:10.1049/htl.2020.0084.Sawhney R, Malik A, Sharma S, Narayan V. A comparative assessment of artificial intelligence models used for early prediction and evaluation of chronic kidney disease. Healthc Technol Lett 2020;7(6):158–165. doi:10.1049/htl.2020.0084.Poonia RC, Gupta MK, Abunadi I, Albraikan AA, Al-Wesabi FN, Hamza MA, et al. Intelligent diagnostic prediction and classification models for detection of kidney disease. J King Saud Univ Sci 2021;33(6):101429. doi:10.1016/j.jksus.2021.101429Poonia RC, Gupta MK, Abunadi I, Albraikan AA, Al-Wesabi FN, Hamza MA, et al. Intelligent diagnostic prediction and classification models for detection of kidney disease. J King Saud Univ Sci 2021;33(6):101429. doi:10.1016/j.jksus.2021.101429Schena FP, Anelli VW, Trotta J, Di Noia T, Manno C, Tripepi G et al. Development and testing of an artificial intelligence tool for predicting end-stage kidney disease in patients with immunoglobulin A nephropathy. Kidney Int Rep 2021;6:123–135. doi:10.1016/j.ekir.2020.10.034Schena FP, Anelli VW, Trotta J, Di Noia T, Manno C, Tripepi G et al. Development and testing of an artificial intelligence tool for predicting end-stage kidney disease in patients with immunoglobulin A nephropathy. Kidney Int Rep 2021;6:123–135. doi:10.1016/j.ekir.2020.10.034Rasmussen DGK, Boesby L, Nielsen SH, Tepel M, Birot S, Karsdal MA, Kamper AL, Genovese F. Collagen turnover profiles in chronic kidney disease. Sci Rep 2019 Nov 5;9(1):16062. doi: 10.1038/s41598-019-51905-3. PMID: 31690732; PMCID: PMC6831687Rasmussen DGK, Boesby L, Nielsen SH, Tepel M, Birot S, Karsdal MA, Kamper AL, Genovese F. Collagen turnover profiles in chronic kidney disease. Sci Rep 2019 Nov 5;9(1):16062. doi: 10.1038/s41598-019-51905-3. PMID: 31690732; PMCID: PMC6831687Разумов ВВ. Хроническая почечная недостаточность как рекапитуляция закономерностей филогенетического развития почечных функций. Современные проблемы науки и образования 2008;8. URL: https://science-education.ru/ru/ article/view?id=3619 (дата обращения: 08.01.2026)Razumov VV. Chronic renal failure as a recapitulation of patterns of phylogenetic development of renal functions. Modern problems of science and education 2008;8. URL: https:// science-education.ru/ru/article/view?id=3619 (date accessed: 01/08/2026)Yamanouchi M, Hoshino J, Ubara Y et al. Clinicopathological predictors for progression of chronic kidney disease in nephrosclerosis: a biopsy-based cohort study. Nephrol Dial Transplant 2020;35(1):136–144. doi:10.1093/ndt/gfz024Yamanouchi M, Hoshino J, Ubara Y et al. Clinicopathological predictors for progression of chronic kidney disease in nephrosclerosis: a biopsy-based cohort study. Nephrol Dial Transplant 2020;35(1):136–144. doi:10.1093/ndt/gfz024Yu Z, Ning X, Qin Y et al. Development and validation of a machine learning-based prognostic model for IgA nephropathy with CKD stage 3 or 4. Kidney Dis 2024;10(6):436–449. doi:10.1159/000536992Yu Z, Ning X, Qin Y et al. Development and validation of a machine learning-based prognostic model for IgA nephropathy with CKD stage 3 or 4. Kidney Dis 2024;10(6):436–449. doi:10.1159/000536992Noda R, Ichikawa D, Shibagaki Y. Machine learning-based diagnostic prediction of IgA nephropathy. Sci Rep 2024;14:12426. doi:10.1038/s41598-024-12426-yNoda R, Ichikawa D, Shibagaki Y. Machine learning-based diagnostic prediction of IgA nephropathy. Sci Rep 2024;14:12426. doi:10.1038/s41598-024-12426-yChagas P, Souza L, Araújo I et al. Classification of glomerular hypercellularity using convolutional features and support vector machine. Comput Biol Med 2021;134:104457. doi:10.1016/j.compbiomed.2021.104457Chagas P, Souza L, Araújo I et al. Classification of glomerular hypercellularity using convolutional features and support vector machine. Comput Biol Med 2021;134:104457. doi:10.1016/j. compbiomed.2021.104457Barros GO, Muller da Silva JNA, Proença HMS et al. Enhancing podocyte degenerative changes identification with pathologist collaboration. IEEE Access 2023;11:119845–119858. doi:10.1109/ACCESS.2023.3315678Barros GO, Muller da Silva JNA, Proença HMS et al. Enhancing podocyte degenerative changes identification with pathologist collaboration. IEEE Access 2023;11:119845–119858. doi:10.1109/ACCESS.2023.3315678KDIGO Clinical Practice Guideline for the Management of Glomerular Diseases. Kidney International 2021;100(Suppl 4S):S1–S276KDIGO Clinical Practice Guideline for the Management of Glomerular Diseases. Kidney International 2021;100(Suppl 4S):S1–S276KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney International. 2024;105(Suppl 4S):S117–S314KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney International. 2024;105(Suppl 4S):S117–S314KDIGO Clinical Practice Guideline for Acute Kidney Injury. Kidney International Supplements 2012;2(1):1–138KDIGO Clinical Practice Guideline for Acute Kidney Injury. Kidney International Supplements 2012;2(1):1–138Moledina DG, Perazella MA. Treatment of Drug-Induced Acute Tubulointerstitial Nephritis: The Search for Better Evidence. Clin J Am Soc Nephrol 2018;13(12):1785–1787Moledina DG, Perazella MA. Treatment of Drug-Induced Acute Tubulointerstitial Nephritis: The Search for Better Evidence. Clin J Am Soc Nephrol 2018;13(12):1785–1787KDIGO 2021 Clinical Practice Guideline for the Management of Blood Pressure in Chronic Kidney Disease. Kidney International 2021;99(3S):S1–S87KDIGO 2021 Clinical Practice Guideline for the Management of Blood Pressure in Chronic Kidney Disease. Kidney International 2021;99(3S):S1–S87

The authors declare that there are no conflicts of interest present.