พญ. ปาจารีย์ กฤษณพันธุ์
หน่วยโรคไต สาขาอายุรศาสตร์
คณะแพทยศาสตร์ มหาวิทยาลัยธรรมศาสตร์
เป็นที่ทราบกันดีว่าผู้ป่วยไตเรื้อรัง (chronic kidney disease, CKD) มีความเสี่ยงในการเกิดโรคหัวใจและหลอดเลือด (cardiovascular disease, CVD) มากกว่าคนทั่วไป โดยพบว่าประมาณครึ่งหนึ่งของผู้ป่วยไตเรื้อรังระยะที่ 4 และ 5 มีโรคหัวใจและหลอดเลือดร่วมด้วย(1) อีกทั้งพบว่าการเสียชีวิตจากโรคหัวใจและหลอดเลือดในผู้ป่วยกลุ่มดังกล่าวสูงถึงร้อยละ 40 ถึง 50 เมื่อเทียบกับร้อยละ 26 ในกลุ่มควบคุมที่ไตปกติ(2-4) ประเด็นที่น่าสนใจคือ ยิ่งผู้ป่วยอายุน้อย จะยิ่งมีความเสี่ยงดังกล่าวเพิ่มขึ้นเมื่อเทียบกับประชากรทั่วไปเป็นสัดส่วนที่มากขึ้น ยกตัวอย่างเช่น ผู้ป่วยกลุ่มอายุ 25-34 ปี ที่มีไตเรื้อรังระยะสุดท้าย (end-stage kidney disease) จะพบว่า มีอัตราการเสียชีวิตจากโรคหัวใจและหลอดเลือดสูงถึง 500 ถึง 1,000 เท่า เมื่อเทียบกับกลุ่มประชากรปกติในวัยเดียวกัน(5) สาเหตุเนื่องจากผู้ป่วยกลุ่มนี้มีความเสี่ยงจำเพาะ เช่น ภาวะยูรีเมีย ภาวะการอักเสบเรื้อรัง ภาวะน้ำเกิน ความผิดปกติของสมดุลกรดด่าง ความผิดปกติของหลอดเลือด (endothelial dysfunction) และความผิดปกติของเกลือแร่กระดูก (mineral bone disease) นอกเหนือไปจากความเสี่ยงที่พบได้ในคนปกติ เช่น เบาหวาน ความดันโลหิตสูง ไขมันในเลือดสูง ภาวะอ้วน และการสูบบุหรี่(6) โดยกลุ่มโรคหัวใจและหลอดเลือดที่พบได้ในผู้ป่วยไตเรื้อรังระยะสุดท้ายสามารถแบ่งออกเป็น 5 กลุ่มหลัก ดังแสดงในรูปที่ 1
รูปที่ 1 กลไกการเกิดโรคหัวใจและหลอดเลือดในผู้ป่วยไตเรื้อรังระยะสุดท้าย ตัวย่อ CA, calcium; CAD, coronary artery disease; CVD, cardiovascular disease; HF, heart failure; LVH, left ventricular hypertrophy; RAAS, renin-angiotensin-aldosterone-system; SCD, sudden cardiac death; VHD, valvular heart disease
ล่าสุดปีนี้ Kidney Disease: Improving Global Outcomes (KDIGO) ได้ออกแนวทางปฏิบัติในการประเมินและดูแลผู้ป่วยไตเรื้อรัง(7) โดยได้มุ่งเน้นการดูแลผู้ป่วยโรคไตเรื้อรังแบบเป็นองค์รวม (holistic approach) เพื่อชะลอการเสื่อมของไต และป้องกันภาวะแทรกซ้อนโดยเฉพาะโรคหัวใจและหลอดเลือดดังสรุปในตารางที่ 1 โดยมีประเด็นที่น่าสนใจดังต่อไปนี้
- มีการเปลี่ยนแปลงคำแนะนำเรื่องคุณภาพของโปรตีนจากเดิมที่แนะนำจากสัตว์(8) เป็นจากพืชเนื่องจากมีข้อมูลประโยชน์ของโปรตีนจากพืชในการชะลอไตเสื่อมและลดอัตราการเสียชีวิต(9-15)
- มีการเปลี่ยนแปลงเป้าหมาย systolic blood pressure (SBP) จากเดิม 130 มม.ปรอท(16) เป็น 120 มม.ปรอท อ้างอิงตามการศึกษา Systolic Blood Pressure Intervention Trial (SPLINT trial)(17)
- เพิ่มคำแนะนำการใช้ยากลุ่ม sodium-glucose cotransporter-2 (SGLT-2) inhibitors ในผู้ป่วยไตเรื้อรังที่ไม่ได้เป็นเบาหวาน โดยแนะนำให้ใช้เมื่อ urine albumin creatinine ratio (UACR) ≥ 200 mg/g หรือมีภาวะหัวใจวาย ร่วมกับ estimated glomerular filtration rate (eGFR) ตั้งต้นมากกว่า 20 ml/min/1.73 m2 เพื่อช่วยชะลอการเสื่อมของไต(18, 19) ลดอัตรานอนโรงพยาบาลจากภาวะหัวใจวาย และการเสียชีวิตจากโรคหัวใจและหลอดเลือด(20-24)
- และแนะนำการใช้ยากลุ่ม non-steroidal mineralocorticoid receptor antagonists (ns-MRA) เช่น finerenone ในผู้ป่วยเบาหวานชนิดที่ 2 ที่ eGFR ≥ 20 ml/min/73 m2 ที่มีระดับโพแทสเซียมในเลือดปกติ และมีอัลบูมินในปัสสาวะ เพื่อช่วยลดผลรวมของโรคหัวใจและหลอดเลือด และชะลอไตเสื่อม(25)
ตารางที่ 1 สรุปคำแนะนำ KDIGO ในการดูแลผู้ป่วยโรคไตเรื้อรังACEi, angiotensin converting enzyme inhibitors; ARB, angiotensin receptor blockers; ASCVD, atherosclerosis cardiovascular disease; CKD, chronic kidney disease, eGFR, estimated glomerular filtration rate; GLP-1RA, glucagon-like peptide-1 receptor agonists; NOACs, non-vitamin K antagonist oral anticoagulants); ns-MRA, non-steroidal mineralocorticoid receptor antagonists; RASi, renin-angiotensin-system inhibitors; SBP, systolic blood pressure; SGLT-2, sodium-glucose cotransporter-2, UACR, urine albumin creatinine ratio
กรณีผู้ป่วยมีเบาหวานชนิดที่ 2 ร่วมด้วย มีคำแนะนำให้ใช้ยาสี่เสาหลัก ในการป้องกันโรคไตและหัวใจ ดังต่อไปนี้(26)1) ยากลุ่ม renin-angiotensin-system inhibitors (RASi) ซึ่งประกอบด้วย angiotensin converting enzyme inhibitors (ACEi) หรือ angiotensin receptor blockers (ARB), 2) ยากลุ่ม SGLT-2 inhibitors, 3) ยากลุ่ม ns-MRA และ 4) ยากลุ่ม glucagon-like peptide-1 receptor agonists (GLP-1RA) ดังแสดงในรูปที่ 2รูปที่ 2 ยาสี่เสาหลักในการป้องกันโรคไตและหัวใจ ตัวย่อ GLA-1RA, glucagon-like peptide-1 receptor agonists; ns-MRA, non-steroidal mineralocorticoid receptor antagonists; RASi, renin-angiotensin-system inhibitors; SGLT-2, sodium-glucose cotransporter-2
นอกจากเรื่องกลุ่มยาใหม่ ๆ แล้ว ปัจจุบันเริ่มมีเทคโนโลยี และนวัตกรรมต่าง ๆ เข้ามาดูแลผู้ป่วยกลุ่มนี้มากขึ้น ยกตัวอย่างเช่น อุปกรณ์พกติดตัว (wearable devices) ที่เริ่มพัฒนาใช้ทางคลินิก เช่น continuous glucose monitoring (CGM) ซึ่งล่าสุดได้รับการรับรองให้ใช้เป็นมาตรฐานการรักษาผู้ป่วยเบาหวานเรียบร้อยแล้ว(27) ในขณะเดียวกันนาฬิกาอัจฉริยะ เช่น Apple watch และ Fitbit เริ่มถูกนำมาวิจัยทางคลินิกมากขึ้น เนื่องจากอุปกรณ์เหล่านี้สามารถวัดข้อมูลที่สำคัญ เช่น จำนวนก้าว อัตราการเต้นของหัวใจ การนอน และบางรุ่นสามารถวัดความดันโลหิต และคลื่นไฟฟ้าหัวใจ (electrocardiogram, ECG) ได้อีกด้วย(28) จากการศึกษา Apple Heart Study(29) เพื่อดูความแม่นยำของ Apple watch ในการวินิจฉัย atrial fibrillation (AF) ในผู้ที่นาฬิกาตรวจพบหัวใจเต้นผิดจังหวะ พบว่าในอาสาสมัครที่รายงานว่าหัวใจเต้นผิดจังหวะจาก Apple watch (ร้อยละ 0.5 จากทั้งหมด) พบว่ามี AF ร้อยละ 34 และมีค่า positive predictive value ที่ 0.84 (95% CI, 0.76-0.92) นอกจากนี้พบว่าการใช้คลื่นไฟฟ้าหัวใจชนิด single-lead ECG จากนาฬิกาอัจฉริยะเมื่อนำมาใช้ร่วมกับ artificial intelligence (AI) มีความสอดคล้องกับกับ lead 1 ของ ECG 12 leads และสามารถทำนายการเสียชีวิตจากโรคหัวใจและหลอดเลือดได้(30)
เทคโนโลยี AI เริ่มเข้ามามีบทบาททางการแพทย์ในปัจจุบันมากขึ้น โดยเฉพาะในด้านตรวจคัดกรองและวินิจฉัยโรค ยกตัวอย่างเช่น การใช้ AI ในการคัดกรอง ECG 12 leads สามารถวินิจฉัยภาวะ left ventricular dysfunction (area under the curve, AUC 0.93)(31) และภาวะ hypertrophic cardiomyopathy (AUC 0.95)(32) ได้ใกล้เคียงกับการตรวจมาตรฐานด้วย echocardiogram และที่น่าสนใจคือ AI สามารถตรวจจับภาวะ paroxysmal AF (AUC 0.87)(33) และภาวะ long QT syndrome (AUC 0.86)(34) แม้ว่าขณะที่ตรวจ ECG จะปกติก็ตาม จึงเป็นความหวังในการเป็นมาตรฐานตรวจคัดกรองกลุ่มโรคดังกล่าวในอนาคต
ในฝั่งผู้ป่วยเองก็สามารถเข้าถึงข้อมูลทางการแพทย์ผ่าน AI applications เช่น ChatGPT, Bard AI และ Bing Chat ได้มากขึ้น มีการศึกษาหนึ่งพบว่า AI applications ข้างต้นสามารถให้ข้อมูลด้านโภชนาการในผู้ป่วยไตเรื้อรังได้ค่อนข้างดี มีความน่าเชื่อถือมากกว่าร้อยละ 80(35) ดังนั้นในอนาคตผู้ป่วยอาจสามารถหาข้อมูลทางการแพทย์ที่น่าเชื่อถือได้เอง และสามารถลดภาระงานของบุคลากรทางการแพทย์ได้
กล่าวโดยสรุป ความก้าวหน้าในการป้องกันโรคหัวใจและหลอดเลือดในผู้ป่วยโรคไตเรื้อรังปัจจุบัน คือการดูแลแบบองค์รวมร่วมกันระหว่างการปรับเปลี่ยนพฤติกรรม การใช้ยาที่มีประโยชน์ในแง่การชะลอไตเสื่อม และลดการเกิดโรคหัวใจและหลอดเลือด ร่วมกับการใช้เทคโนโลยี เช่น wearable device และ AI ในการคัดกรองและวินิจฉัยโรค
- Stevens PE, O’Donoghue DJ, de Lusignan S, Van Vlymen J, Klebe B, Middleton R, et al. Chronic kidney disease management in the United Kingdom: NEOERICA project results. Kidney Int. 2007;72(1):92-9.
- Jankowski J, Floege J, Fliser D, Bohm M, Marx N. Cardiovascular Disease in Chronic Kidney Disease: Pathophysiological Insights and Therapeutic Options. Circulation. 2021;143(11):1157-72.
- Thompson S, James M, Wiebe N, Hemmelgarn B, Manns B, Klarenbach S, et al. Cause of Death in Patients with Reduced Kidney Function. J Am Soc Nephrol. 2015;26(10):2504-11.
- Webster AC, Nagler EV, Morton RL, Masson P. Chronic Kidney Disease. Lancet. 2017;389(10075):1238-52.
- Foley RN, Parfrey PS, Sarnak MJ. Clinical epidemiology of cardiovascular disease in chronic renal disease. Am J Kidney Dis. 1998;32(5 Suppl 3):S112-9.
- Echefu G, Stowe I, Burka S, Basu-Ray I, Kumbala D. Pathophysiological concepts and screening of cardiovascular disease in dialysis patients. Front Nephrol. 2023;3:1198560.
- Kidney Disease: Improving Global Outcomes CKDWG. KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney Int. 2024;105(4S):S117-S314.
- Workgroup K. KDIGO 2012 clinical practice guideline for the evaluation and management of chronic kidney disease. Kidney Int. 2013;3(1).
- Banerjee T, Crews DC, Tuot DS, Pavkov ME, Burrows NR, Stack AG, et al. Poor accordance to a DASH dietary pattern is associated with higher risk of ESRD among adults with moderate chronic kidney disease and hypertension. Kidney Int. 2019;95(6):1433-42.
- Bernier-Jean A, Prince RL, Lewis JR, Craig JC, Hodgson JM, Lim WH, et al. Dietary plant and animal protein intake and decline in estimated glomerular filtration rate among elderly women: a 10-year longitudinal cohort study. Nephrol Dial Transplant. 2021;36(9):1640-7.
- Chen X, Wei G, Jalili T, Metos J, Giri A, Cho ME, et al. The Associations of Plant Protein Intake With All-Cause Mortality in CKD. Am J Kidney Dis. 2016;67(3):423-30.
- Gutierrez OM, Muntner P, Rizk DV, McClellan WM, Warnock DG, Newby PK, et al. Dietary patterns and risk of death and progression to ESRD in individuals with CKD: a cohort study. Am J Kidney Dis. 2014;64(2):204-13.
- Hu EA, Coresh J, Anderson CAM, Appel LJ, Grams ME, Crews DC, et al. Adherence to Healthy Dietary Patterns and Risk of CKD Progression and All-Cause Mortality: Findings From the CRIC (Chronic Renal Insufficiency Cohort) Study. Am J Kidney Dis. 2021;77(2):235-44.
- Podadera-Herreros A, Alcala-Diaz JF, Gutierrez-Mariscal FM, Jimenez-Torres J, Cruz-Ares S, Arenas-de Larriva AP, et al. Long-term consumption of a mediterranean diet or a low-fat diet on kidney function in coronary heart disease patients: The CORDIOPREV randomized controlled trial. Clin Nutr. 2022;41(2):552-9.
- Wai SN, Kelly JT, Johnson DW, Campbell KL. Dietary Patterns and Clinical Outcomes in Chronic Kidney Disease: The CKD.QLD Nutrition Study. J Ren Nutr. 2017;27(3):175-82.
- Cheung AK, Chang TI, Cushman WC, Furth SL, Hou FF, Ix JH, et al. KDIGO 2021 clinical practice guideline for the management of blood pressure in chronic kidney disease. Kidney International. 2021;99(3):S1-S87.
- Group SR, Wright JT, Jr., Williamson JD, Whelton PK, Snyder JK, Sink KM, et al. A Randomized Trial of Intensive versus Standard Blood-Pressure Control. N Engl J Med. 2015;373(22):2103-16.
- Heerspink HJL, Stefansson BV, Correa-Rotter R, Chertow GM, Greene T, Hou FF, et al. Dapagliflozin in Patients with Chronic Kidney Disease. N Engl J Med. 2020;383(15):1436-46.
- The E-KCG, Herrington WG, Staplin N, Wanner C, Green JB, Hauske SJ, et al. Empagliflozin in Patients with Chronic Kidney Disease. N Engl J Med. 2023;388(2):117-27.
- Anker SD, Butler J, Filippatos G, Ferreira JP, Bocchi E, Bohm M, et al. Empagliflozin in Heart Failure with a Preserved Ejection Fraction. N Engl J Med. 2021;385(16):1451-61.
- Bhatt DL, Szarek M, Steg PG, Cannon CP, Leiter LA, McGuire DK, et al. Sotagliflozin in Patients with Diabetes and Recent Worsening Heart Failure. N Engl J Med. 2021;384(2):117-28.
- McMurray JJV, Solomon SD, Inzucchi SE, Kober L, Kosiborod MN, Martinez FA, et al. Dapagliflozin in Patients with Heart Failure and Reduced Ejection Fraction. N Engl J Med. 2019;381(21):1995-2008.
- Packer M, Anker SD, Butler J, Filippatos G, Pocock SJ, Carson P, et al. Cardiovascular and Renal Outcomes with Empagliflozin in Heart Failure. N Engl J Med. 2020;383(15):1413-24.
- Solomon SD, McMurray JJV, Claggett B, de Boer RA, DeMets D, Hernandez AF, et al. Dapagliflozin in Heart Failure with Mildly Reduced or Preserved Ejection Fraction. N Engl J Med. 2022;387(12):1089-98.
- Agarwal R, Filippatos G, Pitt B, Anker SD, Rossing P, Joseph A, et al. Cardiovascular and kidney outcomes with finerenone in patients with type 2 diabetes and chronic kidney disease: the FIDELITY pooled analysis. Eur Heart J. 2022;43(6):474-84.
- Agarwal R, Fouque D. The foundation and the four pillars of treatment for cardiorenal protection in people with chronic kidney disease and type 2 diabetes. Nephrol Dial Transplant. 2023;38(2):253-7.
- 6. Glycemic goals and hypoglycemia: Standards of Care in Diabetes—2024. Diabetes care. 2024;47(Supplement_1):S111-S25.
- Hughes A, Shandhi MMH, Master H, Dunn J, Brittain E. Wearable Devices in Cardiovascular Medicine. Circ Res. 2023;132(5):652-70.
- Perez MV, Mahaffey KW, Hedlin H, Rumsfeld JS, Garcia A, Ferris T, et al. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N Engl J Med. 2019;381(20):1909-17.
- Butler L, Ivanov A, Celik T, Karabayir I, Chinthala L, Hudson MM, et al. Feasibility of remote monitoring for fatal coronary heart disease using Apple Watch ECGs. Cardiovasc Digit Health J. 2024;5(3):115-21.
- Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med. 2019;25(1):70-4.
- Ko WY, Siontis KC, Attia ZI, Carter RE, Kapa S, Ommen SR, et al. Detection of Hypertrophic Cardiomyopathy Using a Convolutional Neural Network-Enabled Electrocardiogram. J Am Coll Cardiol. 2020;75(7):722-33.
- Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019;394(10201):861-7.
- Bos JM, Attia ZI, Albert DE, Noseworthy PA, Friedman PA, Ackerman MJ. Use of Artificial Intelligence and Deep Neural Networks in Evaluation of Patients With Electrocardiographically Concealed Long QT Syndrome From the Surface 12-Lead Electrocardiogram. JAMA Cardiol. 2021;6(5):532-8.
- Qarajeh A, Tangpanithandee S, Thongprayoon C, Suppadungsuk S, Krisanapan P, Aiumtrakul N, et al. AI-Powered Renal Diet Support: Performance of ChatGPT, Bard AI, and Bing Chat. Clin Pract. 2023;13(5):1160-72.